Для большей точности и выбора функции ссылки на наборах данных малой и средней размерности подбирайте обобщенную линейную регрессионую модель используя fitglm. Для полиномиальной логистической регрессии подбирайте модель используя mnrfit.
Чтобы уменьшить время расчета на высоко-размерных наборах данных, обучите двоичную, линейную модель классификации, такую как логистическая регрессионая модель, используя fitclinear. Можно также эффективно обучить многоклассовую модель выходных кодов с коррекцией ошибок (ECOC), состоящую из логистических регрессионных моделей, используя fitcecoc.
Для нелинейной классификации с большими данными обучите двоичную, Гауссову модель классификации ядра с логистической регрессией при помощи fitckernel.
Обобщенные линейные модели используют методы Linear, чтобы описать потенциально нелинейную связь между терминами предиктора и переменной отклика.
Рабочий процесс обобщенной линейной модели
Подгонка обобщенной линейной модели и анализ результатов.
Подбор данных с помощью обобщенных линейных моделей
Подгонка и оценка обобщенных линейных моделей с помощью glmfit и glmval.
Обучите классификаторы логистических регрессий, используя приложение Classification Learner
Создайте и сравните классификаторы логистических регрессий и экспортируйте обученные модели, чтобы делать предсказания для новых данных.
Обозначение Уилкинсона предоставляет способ описать модели регрессии и повторных измерений, не задавая значений коэффициентов.
Полиномиальные модели для номинальных откликов
Номинальная переменная отклика имеет ограниченный набор возможных значений без естественного порядка между ними. Номинальная модель отклика объясняет и предсказывает вероятность того, что наблюдение находится в каждой категории переменной категориального отклика.
Полиномиальные модели для порядковых реакций
Переменная порядкового отклика имеет ограниченный набор возможных значений, которые попадают в естественный порядок. Модель порядкового отклика описывает связь между совокупными вероятностями категорий и переменными.
Иерархические полиномиальные модели
Иерархическая переменная полиномиального отклика (также известная как последовательный или вложенный полиномиальный ответ) имеет ограниченный набор возможных значений, которые попадают в иерархические категории. Иерархические полиномиальные регрессионые модели являются расширениями бинарных регрессионых моделей, основанных на условных двоичных наблюдениях.
