Для большей точности и выбора канальных функций в низко- и среднеразмерных наборах данных поместите обобщенную линейную модель с штрафом за лассо с помощью lassoglm.
Для сокращения времени вычислений в высокомерных наборах данных следует обучить двоичную линейную классификационную модель, такую как регуляризованная модель логистической регрессии, используя fitclinear. Кроме того, можно эффективно обучить многоклассовую модель выходных кодов с исправлением ошибок (ECOC), состоящую из моделей логистической регрессии, используя fitcecoc.
Для нелинейной классификации с большими данными обучайте двоичную модель классификации ядра Гаусса с регуляризованной логистической регрессией с использованием fitckernel.
ClassificationLinear | Линейная модель для двоичной классификации высокоразмерных данных |
ClassificationECOC | Многоклассовая модель для вспомогательных векторных машин (SVM) и других классификаторов |
ClassificationKernel | Модель классификации ядра Гаусса с использованием случайного расширения признаков |
ClassificationPartitionedLinear | Перекрестно проверенная линейная модель для двоичной классификации высокомерных данных |
ClassificationPartitionedLinearECOC | Модель выходных кодов с перекрестной проверкой линейных ошибок для многоклассовой классификации высокоразмерных данных |
lassoglm | Лассо или эластичная регуляризация сетки для обобщенных линейных моделей |
fitclinear | Соответствие модели линейной классификации объемным данным |
templateLinear | Шаблон учащегося линейной классификации |
fitcecoc | Подгонка многоклассовых моделей для вспомогательных векторных машин или других классификаторов |
predict | Прогнозирование меток для линейных классификационных моделей |
fitckernel | Подогнать модель классификации ядра по Гауссу, используя случайное расширение признаков |
predict | Прогнозные метки для модели классификации ядра по Гауссу |
Регуляризация регрессии Пуассона
Выявление и удаление избыточных предикторов из обобщенной линейной модели.
Упорядочить логистическую регрессию
Регуляризовать биномиальную регрессию.
Регуляризация широких данных параллельно
Регуляризовать модель с гораздо большим количеством предикторов, чем наблюдения.
Регуляризация лассо обобщенных линейных моделей
Алгоритм лассо создает модель меньшего размера с меньшим количеством предикторов. Связанный алгоритм упругой сетки может быть более точным, когда предикторы сильно коррелированы.