Выбор функции регрессии

Регрессия - это процесс подбора моделей к данным. Модели должны иметь числовые отклики. Для моделей с категориальными откликами см. Parametric Classification или Supervised Learning Workflow и Алгоритмы. Процесс регрессии зависит от модели. Если модель параметрическая, регрессия оценивает параметры из данных. Если модель линейна в параметрах, оценка основана на методах из линейной алгебры, которые минимизируют норму невязки вектора. Если модель нелинейна в параметрах, оценка основана на методах поиска от оптимизации, которые минимизируют норму невязки вектора.

Эта таблица описывает, какую функцию использовать в зависимости от типа задачи регрессии.

Моделируйте компоненты	Результат регрессии	Функция для использования
Непрерывные или категориальные предикторы, непрерывная реакция, линейная модель	Подобранные модели	`fitlm`. См. «Линейная регрессия».
Непрерывные или категориальные предикторы, непрерывная реакция, линейная модель неизвестной сложности	Подобранные модели и подобранные коэффициенты	`stepwiselm`. См. «Ступенчатая регрессия».
Непрерывные или категориальные предикторы, реакция, возможно, с такими ограничениями, как неотрицательная или целочисленная, обобщенная линейная модель	Установленные обобщенные коэффициенты линейной модели	`fitglm` или `stepwiseglm`. См. Обобщенные линейные модели.
Непрерывные предикторы с непрерывной нелинейной характеристикой, параметризованная нелинейная модель	Установленные нелинейные коэффициенты модели	`fitnlm`. См. Нелинейная регрессия.
Непрерывные предикторы, непрерывная реакция, линейная модель	Набор моделей из хребта, лассо или эластичной сетевой регрессии	`lasso` или `ridge`. См. Лассо и упругая сеть или регрессия хребта.
Коррелированные непрерывные предикторы, непрерывная реакция, линейная модель	Подобранные модели и подобранные коэффициенты	`plsregress`. См. «Частичные наименьшие квадраты».
Непрерывные или категориальные предикторы, непрерывный ответ, неизвестная модель	Непараметрическая модель	`fitrtree` или `fitrensemble`.
Только категориальные предикторы	ДИСПЕРСИОННЫЙ АНАЛИЗ	`anova`, `anova1`, `anova2`, `anovan`.
Непрерывные предикторы, многомерная характеристика, линейная модель	Установленные многомерные коэффициенты регрессионной модели	`mvregress`
Непрерывные предикторы, непрерывная реакция, модель смешанных эффектов	Установленные коэффициенты модели смешанных эффектов	`nlmefit` или `nlmefitsa`. См. «Модели смешанных эффектов».

Обновление унаследованного кода с помощью новых методов аппроксимации

Существует несколько функций Statistics and Machine Learning Toolbox™ для выполнения регрессии. В следующих разделах описывается, как заменить вызовы старых функций на новые версии:

`regress` в `fitlm`

Предыдущий синтаксис:

[b,bint,r,rint,stats] = regress(y,X)

где X содержит столбец таковых.

Текущий синтаксис:

mdl = fitlm(X,y)

где вы не добавляете столбец таковых к X.

Эквивалентные значения предыдущих выходов:

b — mdl.Coefficients.Estimate
bint — coefCI(mdl)
r — mdl.Residuals.Raw
rint - Точного эквивалента нет. Попробуйте изучить mdl.Residuals.Studentized найти выбросы.
stats — mdl содержит различные свойства, которые заменяют компоненты stats.

`regstats` в `fitlm`

Предыдущий синтаксис:

stats = regstats(y,X,model,whichstats)

Текущий синтаксис:

mdl = fitlm(X,y,model)

Получите статистику из свойств и методов LinearModel объект (mdl). Для примера смотрите mdl.Diagnostics и mdl.Residuals свойства.

`robustfit` в `fitlm`

Предыдущий синтаксис:

[b,stats] = robustfit(X,y,wfun,tune,const)

Текущий синтаксис:

mdl = fitlm(X,y,'robust','on') % bisquare

Или использовать wfun вес и tune параметр настройки:

opt.RobustWgtFun = 'wfun';
opt.Tune = tune; % optional
mdl = fitlm(X,y,'robust',opt)

`stepwisefit` в `stepwiselm`

Предыдущий синтаксис:

[b,se,pval,inmodel,stats,nextstep,history] = stepwisefit(X,y,Name,Value)

Текущий синтаксис:

mdl = stepwiselm(ds,modelspec,Name,Value)

или

mdl = stepwiselm(X,y,modelspec,Name,Value)

`glmfit` в `fitglm`

Предыдущий синтаксис:

[b,dev,stats] = glmfit(X,y,distr,param1,val1,...)

Текущий синтаксис:

mdl = fitglm(X,y,distr,...)

Получите статистику из свойств и методов GeneralizedLinearModel объект (mdl). Для примера отклонение mdl.Deviance, и сравнить mdl против постоянной модели используйте devianceTest(mdl).

`nlinfit` в `fitnlm`

Предыдущий синтаксис:

[beta,r,J,COVB,mse] = nlinfit(X,y,fun,beta0,options)

Текущий синтаксис:

mdl = fitnlm(X,y,fun,beta0,'Options',options)

Эквивалентные значения предыдущих выходов:

beta — mdl.Coefficients.Estimate
r — mdl.Residuals.Raw
covb — mdl.CoefficientCovariance
mse — mdl.mse

mdl не обеспечивает якобиан (J) выход. Основная цель J должен был передать его в nlparci или nlpredci для получения доверительных интервалов для оцененных коэффициентов (параметров) или предсказаний. Получите эти доверительные интервалы как:

parci = coefCI(mdl)
[pred,predci] = predict(mdl)

Документация