random

Симулируйте отклики со случайным шумом для линейной регрессионой модели

Синтаксис

ysim = random(mdl,Xnew)

Описание

ysim = random(mdl,Xnew) моделирует ответы на данные предиктора в Xnew использование линейной модели mdl, добавление случайного шума.

Примеры

свернуть все

Симулируйте данные отклика со случайным шумом

Открыть Live Script

Создайте квадратичную модель пробега автомобиля как функцию от веса от carsmall набор данных.

load carsmall
X = Weight;
y = MPG;
mdl = fitlm(X,y,'quadratic');

Создайте симулированные отклики на данные со случайным шумом.

ysim = random(mdl,X);

Постройте график исходных откликов и симулированных откликов, чтобы увидеть, как они отличаются.

plot(X,y,'o',X,ysim,'x')
legend('Data','Simulated')

Figure contains an axes. The axes contains 2 objects of type line. These objects represent Data, Simulated.

Входные параметры

свернуть все

`mdl` - Объект модели линейной регрессии
`LinearModel` | объекта `CompactLinearModel` объект

Объект модели линейной регрессии, заданный как LinearModel объект, созданный при помощи fitlm или stepwiselm, или CompactLinearModel объект, созданный при помощи compact.

`Xnew` - Новые входные значения предиктора
таблица | массив набора данных | матрица

Новые входные значения предиктора, заданные как таблица, массив набора данных или матрица. Каждая строка Xnew соответствует одному наблюдению, и каждый столбец соответствует одной переменной.

Если Xnew является таблицей или массивом набора данных, он должен содержать предикторы, которые имеют те же имена предикторов, что и в PredictorNames свойство mdl.
Если Xnew является матрицей, она должна иметь такое же количество переменных (столбцов) в том же порядке, как вход, используемый для создания mdl. Обратите внимание, что Xnew должны также содержать любые переменные предиктора, которые не используются в качестве предикторов в подобранную модель. Кроме того, все переменные, используемые при создании mdl должен быть числовым. Чтобы рассматривать числовые предикторы как категориальные, идентифицируйте предикторы, используя 'CategoricalVars' аргумент пары "имя-значение" при создании mdl.

Типы данных: single | double | table

Выходные аргументы

свернуть все

`ysim` - Моделируемые значения отклика
числовой вектор

Симулированный отклик, возвращаемое как числовой вектор. Моделируемое значение является предсказанными значениями отклика при Xnew возмущен случайным шумом. Шум является независимым и обычно распределенным, со средним значением, равным нулю и отклонением, равной предполагаемому отклонению ошибок модели.

Альтернативная функциональность

Для предсказаний без случайного шума используйте predict или feval. Эти две функции дают одинаковые предсказания.

predict принимает один входной параметр, содержащий все переменные предиктора, и дает доверительные интервалы для его предсказаний.
feval принимает несколько входные параметры с одним входом для каждой переменной предиктора.

Расширенные возможности

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

Указания и ограничения по применению:

Использовать saveLearnerForCoder, loadLearnerForCoder, и codegen (MATLAB Coder), чтобы сгенерировать код для random функция. Сохраните обученную модель при помощи saveLearnerForCoder. Задайте функцию точки входа, которая загружает сохраненную модель при помощи loadLearnerForCoder и вызывает random функция. Затем используйте codegen чтобы сгенерировать код для функции точки входа.
random может вернуть другую последовательность чисел, чем MATLAB^® если любое из следующих значений имеет значение true:
- Выходные выходы нескаляра.
- Параметр входа недопустим для распределения.

Эта таблица содержит примечания к аргументам random. Аргументы, не включенные в эту таблицу, полностью поддерживаются.

Аргумент Примечания и ограничения

Аргумент	Примечания и ограничения
`mdl`	Предположим, что вы обучаете линейную модель при помощи `fitlm` и определение `'RobustOpts'` как структура с указателем анонимной функции для `RobustWgtFun` поле, использование `saveLearnerForCoder` чтобы сохранить модель, а затем использовать `loadLearnerForCoder` для загрузки модели. В этом случае, `loadLearnerForCoder` не удается восстановить свойство Robust в рабочем пространстве MATLAB. Однако, `loadLearnerForCoder` может загрузить модель во время компиляции в функции точки входа для генерации кода. Для указаний по применению и ограничений объекта модели, смотрите Генерацию кода CompactLinearModel объект.
`Xnew`	`Xnew` должна быть матрицей одинарной точности или двойной точности или таблицей, содержащей числовые переменные, категориальные переменные или обе. Количество строк или наблюдений в `Xnew` может быть размером переменной, но количеством столбцов в `Xnew` должен быть фиксирован. Если вы хотите задать `Xnew` как таблица, тогда ваша модель должна быть обучена с помощью таблицы, и вы должны убедиться, что ваша функция точки входа для предсказания: Принимает данные как массивы Создает таблицу из входных параметров данных и задает имена переменных в таблице Передает таблицу в `predict` Пример этого рабочего процесса таблицы см. в разделе Генерация кода для классификации данных в таблице. Для получения дополнительной информации об использовании таблиц в генерации кода смотрите Генерация кода для таблиц (MATLAB Coder) и Ограничения таблицы для генерации кода (MATLAB Coder).

mdl

Предположим, что вы обучаете линейную модель при помощи fitlm и определение 'RobustOpts' как структура с указателем анонимной функции для RobustWgtFun поле, использование saveLearnerForCoder чтобы сохранить модель, а затем использовать loadLearnerForCoder для загрузки модели. В этом случае, loadLearnerForCoder не удается восстановить свойство Robust в рабочем пространстве MATLAB. Однако, loadLearnerForCoder может загрузить модель во время компиляции в функции точки входа для генерации кода.
Для указаний по применению и ограничений объекта модели, смотрите Генерацию кода CompactLinearModel объект.

Xnew

Xnew должна быть матрицей одинарной точности или двойной точности или таблицей, содержащей числовые переменные, категориальные переменные или обе.
Количество строк или наблюдений в Xnew может быть размером переменной, но количеством столбцов в Xnew должен быть фиксирован.
Если вы хотите задать Xnew как таблица, тогда ваша модель должна быть обучена с помощью таблицы, и вы должны убедиться, что ваша функция точки входа для предсказания:
- Принимает данные как массивы
- Создает таблицу из входных параметров данных и задает имена переменных в таблице
- Передает таблицу в predict
Пример этого рабочего процесса таблицы см. в разделе Генерация кода для классификации данных в таблице. Для получения дополнительной информации об использовании таблиц в генерации кода смотрите Генерация кода для таблиц (MATLAB Coder) и Ограничения таблицы для генерации кода (MATLAB Coder).

Для получения дополнительной информации смотрите Введение в генерацию кода.

Массивы графических процессоров
Ускорите код, запустив на графическом процессорном модуле (GPU) с помощью Parallel Computing Toolbox™.

Эта функция полностью поддерживает массивы GPU. Для получения дополнительной информации смотрите Запуск функций MATLAB на графическом процессоре (Parallel Computing Toolbox).
Эта функция поддерживает объекты модели, оснащенные входными параметрами массива GPU.

См. также

CompactLinearModel | feval | LinearModel | predict

Темы

Введенный в R2012a

Документация

random

Синтаксис

Описание

Примеры

Симулируйте данные отклика со случайным шумом

Входные параметры

`mdl` - Объект модели линейной регрессии
`LinearModel` | объекта `CompactLinearModel` объект

`Xnew` - Новые входные значения предиктора
таблица | массив набора данных | матрица

Выходные аргументы

`ysim` - Моделируемые значения отклика
числовой вектор

Альтернативная функциональность

Расширенные возможности

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

Массивы графических процессоров
Ускорите код, запустив на графическом процессорном модуле (GPU) с помощью Parallel Computing Toolbox™.

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка

Документация

random

Синтаксис

Описание

Примеры

Симулируйте данные отклика со случайным шумом

Входные параметры

mdl - Объект модели линейной регрессии LinearModel | объекта CompactLinearModel объект

Xnew - Новые входные значения предиктора таблица | массив набора данных | матрица

Выходные аргументы

ysim - Моделируемые значения отклика числовой вектор

Альтернативная функциональность

Расширенные возможности

Генерация кода C/C + + Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

Массивы графических процессоров Ускорите код, запустив на графическом процессорном модуле (GPU) с помощью Parallel Computing Toolbox™.

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка

`mdl` - Объект модели линейной регрессии
`LinearModel` | объекта `CompactLinearModel` объект

`Xnew` - Новые входные значения предиктора
таблица | массив набора данных | матрица

`ysim` - Моделируемые значения отклика
числовой вектор

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

Массивы графических процессоров
Ускорите код, запустив на графическом процессорном модуле (GPU) с помощью Parallel Computing Toolbox™.