Подгонка и оценка обобщенных линейных моделей с помощью glmfit и glmval.

Сделайте байесовские выводы для логистической регрессионой модели используя slicesample.

Подгонка нелинейной регрессионой модели для данных с неконстантным отклонением ошибки.

Применение частичной регрессии методом наименьших квадратов (PLSR) и регрессии основных компонентов (PCR) и обсуждение эффективности двух методов. PLSR и PCR являются обоими методами для моделирования переменной отклика, когда существует большое количество переменных предиктора, и эти предикторы сильно коррелируют или даже коллинеарны. Оба метода создают новые переменные предиктора, известные как компоненты, как линейные комбинации исходных переменных предиктора, но они строят эти компоненты по-разному. ПЦР создает компоненты, чтобы объяснить наблюдаемую изменчивость в переменных предиктора, не рассматривая переменную отклика вообще. С другой стороны, PLSR принимает во внимание переменную отклика, и, следовательно, часто приводит к моделям, которые способны соответствовать переменной отклика с меньшим количеством компонентов. Преобразуется ли это в конечном счете в более скупую модель с точки зрения ее практического использования, зависит от контекста.

Использовать fitrauto чтобы автоматически попробовать выбор типов регрессионной модели с различными значениями гиперзначений параметров, учитывая обучающие данные предиктора и отклика.