Регрессия
Модели регрессии описывают отношение между ответом (выход) переменная и одним или несколькими предикторами (вход) переменные. Statistics and Machine Learning Toolbox™ позволяет вам подбирать линейные, обобщенные линейные, и нелинейные модели регрессии, включая пошаговые модели и модели смешанных эффектов. Если вы подбираете модель, можно использовать ее, чтобы предсказать или моделировать ответы, оценить качество модели используя проверку гипотезы или используя графики для визуализации диагностики, невязки и эффекты взаимодействия.
Statistics and Machine Learning Toolbox также предоставляет непараметрические методы регрессии, чтобы вместить более комплексные кривые регрессии, не задавая отношение между ответом и предикторами с предопределенной функцией регрессии. Можно предсказать ответы для новых данных с помощью обученной модели. Гауссовы модели регрессии процесса также позволяют вам вычислить интервалы предсказания.
- Приложение Regression Learner
В интерактивном режиме обучите, подтвердите, и модели регрессии мелодии
- Линейная регрессия
Несколько, пошаговые, многомерные модели регрессии и другие
- Обобщенные линейные модели
Логистическая регрессия, регрессия многочлена, регрессия Пуассона и другие
- Нелинейная регрессия
Нелинейный зафиксированный - и модели регрессии смешанных эффектов
- Регрессия машины опорных векторов
Машины опорных векторов для моделей регрессии
- Гауссова регрессия процесса
Гауссовы модели регрессии процесса (кригинг)
- Деревья регрессии
Деревья выбора из двух альтернатив для регрессии
- Ансамбли дерева регрессии
Случайные леса, повышенные и сложенные в мешок деревья регрессии
- Обобщенная аддитивная модель
Поддающаяся толкованию модель, состоявшая из одномерных и двумерных функций формы для регрессии
- Нейронные сети
Нейронные сети для регрессии
- Пошаговое обучение
Подбирайте линейную модель для регрессии к потоковой передаче данных и отследите его эффективность
- Interpretability
Обучите поддающиеся толкованию модели регрессии и интерпретируйте комплексные модели регрессии
- Построение моделей и оценка
Выбор признаков, разработка функции, выбор модели, гипероптимизация параметров управления, перекрестная проверка, остаточная диагностика и графики
