线性回归概论

什么是线性回归模型?

回归模型描述从属变量和一个或多个独立变量之间的关系。

线性回归

拟合线性回归模型并检验结果。

逐步回归

在逐步回归中，预测器被自动添加到模型中或从模型中修剪。

使用强大的回归减少异常效果

拟合一个稳健的模型，该模型对一小部分数据的大变化比普通最小二乘法更不敏感。

选择回归函数

根据回归问题的类型，选择回归功能，并使用新的拟合功能更新遗留码。

输出和诊断统计的摘要

通过使用模型属性和对象功能来评估拟合模型。

威尔金森符号

威尔金森表示法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。

线性回归工作流程

线性回归的工作流

导入和准备数据，适合线性回归模型，测试和提高其质量，并分享模型。

解释线性回归结果

显示和解释线性回归输出统计数据。

具有交互作用的线性回归

建立并分析线性回归模型的交互作用，并解释结果。

使用表格的线性回归

这个示例展示了如何使用表执行线性和逐步回归分析。

线性回归与范畴协变量

使用分类数组和执行分类协变量回归fitlm．

分析时间序列数据

这个例子展示了如何可视化和分析时间序列数据使用timeseries对象和对象回归函数。

火车线性回归模型

使用。训练线性回归模型fitlm分析内存数据和内存up-Mement数据。

偏最小二乘回归

偏最小二乘

偏最小二乘(PLS)在考虑观测响应值的同时，将原预测变量作为线性组合构造新的预测变量，使模型具有可靠的预测能力。

偏最小二乘回归和主成分回归

应用偏最小二乘回归(PLSR)和主成分回归(PCR)，探讨两种方法的有效性。