为了通过中等维数据集在低维度上进行更高的准确性和链接功能选择,请使用广义线性回归模型fitglm
。对于多项式逻辑回归,请使用mnrfit
。
为了减少高维数据集的计算时间,通过使用二进制线性分类模型(例如逻辑回归模型)来使用fitclinear
。您还可以通过使用Logistic回归模型有效训练多类误差校正校正校正校正校正码(ECOC)模型fitcecoc
。
对于使用大数据的非线性分类,请通过使用二进制二进制高斯内核分类模型,并通过使用逻辑回归Fitckernel
。
广义线性模型使用线性方法来描述预测术语和响应变量之间的潜在非线性关系。
拟合广义线性模型并分析结果。
使用并评估使用通用线性模型glmfit
和glmval
。
创建和比较逻辑回归分类器,并导出经过训练的模型以对新数据进行预测。
威尔金森符号提供了一种描述回归和重复测量模型的方法,而无需指定系数值。
名义响应变量具有限制的可能值集,它们之间没有自然顺序。名义响应模型解释并预测了观察变量的每个类别中观察结果的概率。
序数响应变量具有限制在自然顺序的可能值集。序数响应模型描述了类别的累积概率与预测变量之间的关系。
分层多项式响应变量(也称为顺序或嵌套的多项式响应)具有限制的一组可能值,这些值属于分层类别。分层多项式回归模型是基于条件二进制观测值的二进制回归模型的扩展。