Для большей точности на наборах данных с низкой и средней размерностью реализуйте регрессию методом наименьших квадратов с регуляризацией с помощью lasso или ridge.
Для сокращения времени вычисления на высоко-размерных наборах данных подбирайте регуляризованную линейную регрессионую модель используя fitrlinear.
lasso | Лассо или упругая сетевая регуляризация для линейных моделей |
ridge | Регрессия хребта |
lassoPlot | Трассировка графика лассо подгонки |
fitrlinear | Подгонка линейной регрессионой модели к высоко-размерным данным |
predict | Предсказать ответ линейной регрессионой модели |
RegressionLinear | Линейная регрессионая модель для высоко-размерных данных |
RegressionPartitionedLinear | Перекрестная проверенная линейная регрессионая модель для высоко-размерных данных |
Посмотрите, как lasso определяет и отбрасывает ненужные предикторы.
Лассо и эластичная сеть с перекрестной валидацией
Спрогнозируйте пробег (MPG) автомобиля на основе его веса, водоизмещения, лошадиной силы и ускорения с помощью lasso и эластичную сетку.
Широкие данные через Lasso и параллельные вычисления
Идентифицируйте важные предикторы, используя lasso и перекрестную валидацию.
lasso алгоритм является методом регуляризации и оценщиком усадки. Связанный алгоритм упругой сети более подходит, когда предикторы сильно коррелируются.
Регрессия хребта решает проблему многоколлинейности (коррелированные модельные условия) в линейных регрессионных задачах.