NonLinearModel类
非线性回归模型类
建设
创建一个NonLinearModel
对象使用fitnlm
。
属性
CoefficientCovariance
- - - - - -协方差矩阵的系数估计
数字矩阵
CoefficientNames
- - - - - -系数的名字
单元阵列的特征向量
这个属性是只读的。
系数名称指定为一个单元阵列的特征向量,每个包含的名称对应的词。
数据类型:细胞
系数
- - - - - -系数值
表
这个属性是只读的。
系数值,指定为一个表。系数
为每个系数和这些列包含一行:
估计
——估计系数值SE
-标准误差的估计tStat
- - - - - -t统计测试系数为零pValue
- - - - - -p价值的t统计
使用方差分析
(只对一个线性回归模型)或coefTest
执行其他测试的系数。使用coefCI
找到系数估计的置信区间。
获得这些列向量,索引属性使用点符号。例如,获得的估计系数向量模型mdl
:
β= mdl.Coefficients.Estimate
数据类型:表
诊断
- - - - - -诊断信息
表
这个属性是只读的。
诊断信息的模型,指定为一个表。诊断可以帮助识别异常值和有影响力的观察。诊断
包含以下字段。
场 | 意义 | 实用程序 |
---|---|---|
利用 |
对角元素的HatMatrix |
杠杆表明观察的预测值在多大程度上是由观测的观测值。一个值接近1 表明,预测在很大程度上取决于观察,从其他观察几乎没有贡献。一个值接近0 表明健康在很大程度上取决于另一个观察。对于一个模型P 系数和N 观察,平均价值利用 是P / N 。一个观察利用 比2 * P / N 可以被视为具有高杠杆。 |
CooksDistance |
库克的拟合值衡量比例的变化 | CooksDistance 是一个按比例缩小的拟合值的变化。一个观察CooksDistance 超过三倍的意思是库克的距离可以是一个局外人。 |
HatMatrix |
投影矩阵计算了从观察到的反应 | HatMatrix 是一个N ——- - - - - -N 矩阵,安装= HatMatrix * Y ,在那里Y 响应向量和吗安装 是拟合响应值的向量。 |
数据类型:表
教育部
- - - - - -自由度为错误
正整数
这个属性是只读的。
自由度的误差(残差),等于观测的数量减去估计系数的数量,指定为一个正整数。
数据类型:双
安装
- - - - - -根据输入数据拟合响应值
数值向量
公式
- - - - - -模型信息
NonLinearFormula
对象
这个属性是只读的。
模型信息,指定为一个NonLinearFormula
对象。
显示的公式拟合模型mdl
通过使用点符号。
mdl.Formula
迭代
- - - - - -拟合过程的信息
结构
这个属性是只读的。
关于拟合过程的信息,指定为一个结构有以下字段:
InitialCoefs
(——最初的系数值beta0
向量)IterOpts
——包括在选项选项
名称-值对的理由fitnlm
。
数据类型:结构体
LogLikelihood
- - - - - -Loglikelihood
数值
这个属性是只读的。
Loglikelihood分布模型的响应值,指定为一个数值。的意思是安装模式,和其他参数估计的模型。
数据类型:单
|双
ModelCriterion
- - - - - -标准模型的比较
结构
这个属性是只读的。
标准模型比较,与这些字段指定为一个结构:
另类投资会议
——Akaike信息标准。AIC = 2 * logL + 2 * m
,在那里logL
loglikelihood和米
是估计的数量参数。AICc
——Akaike信息标准样本大小的修正。AICc = AIC + (2 * m * (m + 1) / (n - m - 1)
,在那里n
是观测的数量。BIC
——贝叶斯信息准则。BIC = 2 * logL + m * log (n)
。中安集团经贸
——Akaike信息准则一致。中安集团经贸= 2 * logL + m * (log (n) + 1)
。
信息标准模型选择工具,您可以使用多个模型比较适合相同的数据。这些标准是基于可能性模型适合的措施,包括惩罚复杂性(具体来说,参数的个数)。不同的信息形式的处罚标准是有区别的。
当你比较多个模型,模型信息准则值最低的最佳拟合模型。最佳拟合模型取决于使用的标准模型的比较。
获得的任何准则值作为一个标量,索引属性使用点符号。例如,获得AIC值另类投资会议
在模型中mdl
:
aic = mdl.ModelCriterion.AIC
数据类型:结构体
ModelFitVsNullModel
- - - - - -f统计量的回归模型
结构
这个属性是只读的。
f统计量的回归模型,指定为一个结构。的ModelFitVsNullModel
结构包含这些字段:
函数
- f统计量的拟合模型和零模型Pvalue
- - - - - -pf统计量的值NullModel
——零模型类型
数据类型:结构体
均方误差
- - - - - -均方误差
数值
这个属性是只读的。
均方误差,指定为一个数值。均方误差的估计模型中的误差项的方差。
数据类型:单
|双
NumCoefficients
- - - - - -模型系数的数量
正整数
这个属性是只读的。
数系数的拟合模型,指定为一个正整数。NumCoefficients
是一样的NumEstimatedCoefficients
为NonLinearModel
对象。NumEstimatedCoefficients
等于回归的自由度。
数据类型:双
NumEstimatedCoefficients
- - - - - -数量的估计系数
正整数
这个属性是只读的。
数量的估计系数的拟合模型,指定为一个正整数。NumEstimatedCoefficients
是一样的NumCoefficients
为NonLinearModel
对象。NumEstimatedCoefficients
等于回归的自由度。
数据类型:双
NumPredictors
- - - - - -数量的预测变量
正整数
这个属性是只读的。
以适应模型,使用数量的预测变量指定为一个正整数。
数据类型:双
NumVariables
- - - - - -数量的变量
正整数
这个属性是只读的。
输入数据的变量数量,指定为一个正整数。NumVariables
是变量的数量在原始表或数据集,或预测矩阵中的列的总数和响应向量。
NumVariables
还包括任何变量,不习惯适应模型作为预测或响应。
数据类型:双
ObservationInfo
- - - - - -观测信息
表
这个属性是只读的。
观察信息,指定为一个n表4,n等于输入数据的行数。ObservationInfo
包含这个表中描述的列。
列 | 描述 |
---|---|
权重 |
观察体重、指定为一个数值。默认值是1 。 |
被排除在外 |
的指标排除观察,指定为一个逻辑值。这个值是真正的 如果你观察排除在适合使用“排除” 名称-值对的论点。 |
失踪 |
失踪的观察指标,指定为一个逻辑值。这个值是真正的 如果观察失踪。 |
子集 |
指标的拟合函数是否使用观察,指定为一个逻辑值。这个值是真正的 如果观察不排除或失踪,这意味着观察拟合函数使用。 |
获得这些列向量,索引属性使用点符号。例如,获取权向量w
模型的mdl
:
w = mdl.ObservationInfo.Weights
数据类型:表
ObservationNames
- - - - - -观察的名字
单元阵列的特征向量
这个属性是只读的。
观察名称指定为特征向量的单元阵列包含观测中使用的名称。
如果符合基于一个表或包含观测数据集名称,
ObservationNames
使用这些名称。否则,
ObservationNames
是一个空单元数组。
数据类型:细胞
PredictorNames
- - - - - -名字适合使用的预测模型
单元阵列的特征向量
这个属性是只读的。
名字适合使用的预测模型,指定为一个单元阵列的特征向量。
数据类型:细胞
残差
- - - - - -残差拟合模型
表
这个属性是只读的。
残差拟合模型,指定为一个表,其中包含为每个观察一行和列在这个表中描述。
列 | 描述 |
---|---|
生 |
观察-拟合值 |
皮尔森 |
原始残差除以根均方误差(RMSE) |
标准化 |
原始残差除以他们估计的标准偏差 |
Studentized |
生残余除以一个独立的剩余标准差的估计。剩余的观察我除以估计误差标准差基于观察除了观察吗我。 |
使用plotResiduals
创建一个残差的情节。有关详细信息,请参见残差。
行中使用不适合,因为(在缺失值ObservationInfo.Missing
(在)或排除值ObservationInfo.Excluded
)包含南
值。
获得这些列向量,索引属性使用点符号。例如,获得原始残余向量r
在模型中mdl
:
r = mdl.Residuals.Raw
数据类型:表
ResponseName
- - - - - -响应变量名
特征向量
这个属性是只读的。
响应变量名称,指定为一个特征向量。
数据类型:字符
RMSE
- - - - - -根均方误差
数值
这个属性是只读的。
根均方误差,指定为一个数值。根均方误差估计的标准偏差模型中的误差项。
数据类型:单
|双
Rsquared
- - - - - -平方值的模型
结构
这个属性是只读的。
平方值的模型,用两个字段指定为一个结构:
普通的
——普通(调整)的平方调整
——平方调整系数的数量
平方值的比例是总平方和的解释模型。普通的平方值之间的关系苏维埃社会主义共和国
和风场
属性:
Rsquared = SSR /风场
,
在哪里风场
是总平方和,苏维埃社会主义共和国
回归平方和。
有关详细信息,请参见确定系数(平方)。
获得这些值作为一个标量,索引属性使用点符号。例如,在模型中获得调整的平方值mdl
:
r2 = mdl.Rsquared.Adjusted
数据类型:结构体
上交所
- - - - - -的平方误差的总和
数值
这个属性是只读的。
平方误差的总和(残差),指定为一个数值。如果模型与观测的重量训练,的平方和上交所
计算加权平方和。
数据类型:单
|双
苏维埃社会主义共和国
- - - - - -回归平方和
数值
这个属性是只读的。
回归平方和,指定为一个数值。苏维埃社会主义共和国
等于平方偏差之和之间的拟合值和响应的均值。如果模型与观测的重量训练,的平方和苏维埃社会主义共和国
计算加权平方和。
数据类型:单
|双
风场
- - - - - -总平方和
数值
这个属性是只读的。
总平方和,指定为一个数值。风场
等于偏差的平方和的响应向量y
从意思是(y)
。如果模型与观测的重量训练,的平方和风场
计算加权平方和。
数据类型:单
|双
VariableInfo
- - - - - -信息变量
表
这个属性是只读的。
变量中包含的信息变量
,指定为一个表为每个变量与一行和列在这个表中描述。
列 | 描述 |
---|---|
类 |
变量类,指定为一个单元阵列的特征向量,如“双” 和“分类” |
范围 |
变量范围,指定为一个单元阵列的向量
|
InModel |
的指标变量的拟合模型,指定为一个逻辑向量。这个值是真正的 如果模型包括变量。 |
IsCategorical |
指标的分类变量指定为一个逻辑向量。这个值是真正的 如果变量是分类。 |
VariableInfo
还包括任何变量,不习惯适应模型作为预测或响应。
数据类型:表
VariableNames
- - - - - -变量的名字
单元阵列的特征向量
这个属性是只读的。
变量的名字,指定为一个单元阵列的特征向量。
如果符合基于一个表或数据集,这个属性提供了表中的变量或数据集的名称。
如果适合基于预测矩阵和响应向量,
VariableNames
包含指定的值“VarNames”
名称-值对参数的拟合方法。的默认值“VarNames”
是{x1, x2,…,‘xn’,‘y’}
。
VariableNames
还包括任何变量,不习惯适应模型作为预测或响应。
数据类型:细胞
变量
- - - - - -输入数据
表
这个属性是只读的。
输入数据,指定为一个表。变量
包含预测和响应值。如果合适的数据集是基于一个表或数组,变量
包含了所有的数据表或数据集的数组。否则,变量
从输入数据矩阵表创建X
和响应向量y
。
变量
还包括任何变量,不习惯适应模型作为预测或响应。
数据类型:表
对象的功能
coefCI |
系数的置信区间估计的非线性回归模型 |
coefTest |
线性假设检验在非线性回归模型系数 |
函数宏指令 |
评估非线性回归模型预测 |
partialDependence |
计算部分依赖 |
plotPartialDependence |
创建部分依赖图(PDP)和个人条件期望(ICE)情节 |
plotDiagnostics |
图诊断的非线性回归模型 |
plotResiduals |
情节非线性回归模型的残差 |
plotSlice |
通过拟合非线性回归的情节片表面 |
预测 |
预测响应的非线性回归模型 |
随机 |
模拟响应的非线性回归模型 |
复制语义
价值。学习如何价值类影响复制操作,明白了复制对象。
例子
非线性回归模型
适合汽车里程基于非线性回归模型carbig
数据。预测平均车的里程。
加载示例数据。创建一个矩阵X
马力(包含测量马力
)和重量(重量
每辆车的)。创建一个向量y
包含英里每加仑的响应值(英里/加仑
)。
负载carbigX =(功率、重量);y = MPG;
非线性回归模型。
modelfun = @ (b, x) b (1) + (2) * x (: 1)。(3) + ^ b…b (4) * x (:, 2)。^ b (5);beta0 = (-50 500 500 1);mdl = fitnlm (X, y, modelfun beta0)
mdl =非线性回归模型:y ~ b1 x1 + b4 * ^ b3 x2 + b2 * ^ b5估计系数:估计SE tStat pValue ________ _________说b1 -49.383 119.97 -0.41164 0.68083 b2 376.43 -0.78193 0.47168 -1.6578 0.098177 567.05 0.66384 0.50719 b3 b4 b5 -0.24127 0.48325 -0.49926 0.58656 422.37 776.02 0.54428 0.61788的观测数量:392年,错误自由度:387根均方误差:3.96平方:0.745,调整平方0.743 f统计量与常数模型:283年,假定值= 1.79 e - 113
找到预测平均里程的汽车。因为包含一些示例数据丢失(南
)观察,计算平均使用的意思是
与“omitnan”
选择。
Xnew =意味着(X,“omitnan”)
Xnew =1×2103×0.1051 - 2.9794
Xnew MPGnew =预测(mdl)
MPGnew = 21.8073
更多关于
帽子矩阵
的帽子矩阵H定义的数据矩阵X和雅可比矩阵J:
在这里f是非线性模型函数,β是向量模型的系数。
这顶帽子矩阵H是
H=J(JTJ)1JT。
对角线元素H二世满足
在哪里n是观测的数量(行吗X),p回归模型系数的数量。
利用
杠杆率是一个衡量一个特定的影响观察的回归预测由于位置观测空间的输入。
杠杆的观察我的价值吗我th对角线项h二世这顶帽子矩阵H。因为杠杆值的总和p(在回归模型系数的数量),一个观察我可以被认为是一个异类的利用大大超过了p/n,在那里n是观测的数量。
库克的距离
库克的距离D我的观察我是
在哪里
是j拟合响应值。
是jth拟合响应值,适合不包括观察我。
均方误差均方误差。
p回归模型系数的数量。
库克的距离是代数等价于如下表达式:
在哪里e我是我剩余。
MATLAB命令
你点击一个链接对应MATLAB命令:
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。金宝app
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。