glmval.
广义线性模型值
句法
yhat = glmval（b，x，链接的）
[yhat, dylo dyhi] = glmval (b, X,链接，统计数据）
[...] = glmval（...，param1那Val1.那PARAM2.那Val2.，......）
描述
yhat = glmval（b，x，使用链接功能计算通用线性模型的预测值链接的）链接和预测者X．不同的预测变量应该出现在不同的列X．B.是系数估计值的向量吗glmfit.功能。链接对象的值可以是任意字符向量、字符串标量或自定义链接函数'关联'的名称-值对参数glmfit.功能。
笔记
默认情况下，glmval.添加第一列1s到X，对应于模型中的常数术语。请勿直接输入1s列X．您可以更改默认行为glmval.使用'持续的'范围。
[yhat, dylo dyhi] = glmval (b, X,还计算预测值的95％的置信度界限。当。。。的时候链接，统计数据）统计结构输出glmfit.功能指定，迪尔奥和dyhi.也返回。迪尔奥和dyhi.定义较低的置信度yhat-dylo，和上部置信度yhat + dyhi．置信界限是非同步的，并且适用于拟合曲线，而不是新观测。
[...] = glmval（...，指定可选的参数名称/值对以控制预测值。本表中列出了可接受的参数：param1那Val1.那PARAM2.那Val2.，......）
| 范围 | 价值 |
|---|---|
|
0到1之间的标量 |
|
标量或每行x的一个值的矢量 |
|
矢量 |
'持续的' |
|
'同时'-计算同时置信区间(真的）或计算非同时置信区间（默认错误的的） |
真的或者错误的 |
例子
配套通用线性模型探测链路
拟合一个广义线性回归模型，并使用拟合模型计算预测数据的预测值(估值)。
创建示例数据集。
X = [2100 2300 2500 2700 2900 3100......3300 3500 3700 3900 4100 4300]'n = [48 42 31 31 31 23 23 21 21 16 17 21]';Y = [1 2 0 3 8 8 14 17 19 15 17 21]';
X包含预测变量值。每个y值是在相应的试验中成功的次数N.．
适合概率回归模型y在X．
b = glmfit（x，[y n]，'二重子'那'关联'那'概率'）;
计算估计的成功次数。
Yfit = glmval（b，x，'概率'那'尺寸'n);
绘制观察到的成功百分比和估计的成功百分比与X价值观。
绘图（x，y。/ n，“o”, x, yfit. / n,' - '的）
使用自定义定义的链接功能
输入示例数据。
X = [2100 2300 2500 2700 2900 3100......3300 3500 3700 3900 4100 4300]'n = [48 42 31 31 31 23 23 21 21 16 17 21]';Y = [1 2 0 3 8 8 14 17 19 15 17 21]';
每个y价值是相应数量的试验中的成功次数N.， 和X包含预测变量值。
定义使用使用创建的三个功能句柄@，定义链接，链路的导数，以及探测链路功能的逆链路。将手柄存放在单元格阵列中。
链接= @（mu）ranginv（mu）;derlink = @（mu）1 ./ normpdf（ordinv（mu））;Invlink = @（resp）normcdf（RESP）;f = {link，derlink，Invlink};
适合广义线性模型y在X通过使用您定义的链接函数。
b = glmfit（x，[y n]，'二重子'那'关联'，F）;
计算估计的成功次数。将观察到的和估计的成功百分比与X价值观。
YFIT = GLMVAL（B，X，F，'尺寸'n);情节(x, y / n,“o”, x, yfit. / n,' - '那'行宽'，2)
从函数生成代码，以预测给定新数据的响应
培训广义线性模型，然后从分类基于模型的新观察的函数中生成代码。这个例子是基于使用自定义定义的链接功能的例子。
输入示例数据。
X = [2100 2300 2500 2700 2900 3100......3300 3500 3700 3900 4100 4300]'n = [48 42 31 31 31 23 23 21 21 16 17 21]';Y = [1 2 0 3 8 8 14 17 19 15 17 21]';
假设逆正常PDF是问题的适当链接功能。
定义名为的函数myinvnorm.m.接受价值观
并返回标准普通CDF的倒数的相应值。
功能在= myinvnorm（mu）％＃codegen.%myInvNorm用于代码生成的标准标准cdf的倒数％myinvnorm是一个glm链接函数，接受数字矢量mu，以及％返回，这是一个数字矢量的数值矢量标准正常CDF的％逆。％在= norminv(μ);结尾
定义另一个名为的函数mydinvnorm.m.接受价值观并返回链路函数的导数的相应值。
功能喧嚣= myDInvNorm(亩)％＃codegen.用于代码的标准正常CDF的倒数％mydinvnorm衍生物％一代％mydinvnorm对应于GLM链路函数的导数％myinvnorm。mydinvnorm接受数字矢量mu，并返回din，％是逆的相应衍生物的数字矢量标准正常CDF的百分比。％din = 1./normpdf（norminv(mu））;结尾
定义另一个名为的函数myinvinvnorm.m.m.接受价值观并返回链路函数的倒数的相应值。
功能iin = myinvinvnorm（mu）％＃codegen.代码生成％myinvinvnorm标准正常CDF％myinvinvnorm是GLM链接功能myinvnorm的倒数。％myinvinvnorm接受数字矢量mu，返回iin，这是一个标准正常CDF的相应值的％数值矢量。％iin = normcdf（mu）;结尾
创建一个结构阵列，指定每个链接功能。具体来说，结构阵列包含命名的字段'关联'那'衍生物'， 和“逆”．相应的值是函数的名称。
link = struct（'关联'那'myinvnorm'那'衍生物'那'mydinvnorm'那......“逆”那'myinvinvnorm'的）
link = struct with fields: link: 'myInvNorm' Derivative: 'myInvNorm' Inverse: 'myInvNorm'
适合y在X使用链接功能链接．返回统计信息的结构数组。
[b，〜，stats] = glmfit（x，[y n]，'二重子'那'关联'，关联）;
B.是一个2×1回归系数矢量矢量。
在当前的工作文件夹中，定义一个调用的函数classifyGLM.m那：
接受与对应的列的测量值
X，尺寸对应的回归系数B.，一个链接函数，GLM的结构统计，以及任何有效的glmval.名称值对参数返回错误的预测和置信区间边缘
功能[Yhat，Lo，Hi] = classifyglm（b，x，链接，varargin）％＃codegen.使用GLM模型对测量进行分类％classifyglm使用n×1 vector x中的n观察％GLM模型与回归系数B和链接函数链接，％，然后返回YHAT中预测值的n×1向量矢量。％classifyglm还返回使用预测的错误边缘GLM统计结构统计中的％附加信息。Narginchk（3，INF）;如果isstruct(varargin{1})) stats = varargin{1};[yhat,嗨]= glmval (b, x,链接,统计,变长度输入宗量{2:结束});别的yhat = glmval (b, x,链接,变长度输入宗量{:});结尾结尾
生成MEX功能classifyGLM.m．因为C使用静态打字，所以Codegen.必须在编译时确定Matlab®文件中所有变量的属性。要确保MEX功能可以使用相同的输入，请使用- args.指定以下命令的参数：
回归系数
B.作为编译时间常数样本观察
X链接函数作为编译时间常数
导致GLM统计数据作为编译时间常数
姓名
“信心”作为编译时间常数置信水平0.9
将参数指定为编译时常量，使用编码器.Constant.．
Codegen.-config：mex.classifyglm.- args.{编码器.Constant（b），x，coder.constant（链接），coder.constant（stats），coder.constant（'信心'），0.9}
代码成功。
Codegen.生成MEX文件classifyglm_mex.mexw64.在您当前的文件夹中。文件扩展名取决于您的系统平台。
通过使用glmval.和classifyglm_mex.．以与如此相同的顺序指定名称值对参数- args.呼吁中的论点Codegen.．
[yhat1, melo1 mehi1] = glmval (b, x,链接,统计数据,“信心”，0.9）;[Yhat2，Melo2，Mehi2] = ClassifyGLM_MEX（B，X，Link，STATS，“信心”，0.9）;Comp1 =（Yhat1 - Yhat2）'*（Yhat1 - Yhat2）;同意1 = Comp1
同意1 =逻辑1同意2 =逻辑1 adder3 =逻辑1
生成的MEX函数产生与此相同的预测预测．
参考文献
[1] Dobson，A. J.广义线性模型的介绍．纽约:查普曼与霍尔出版社，1990。
[2] McCullagh，P.和J.A. Nelder。广义线性模型．纽约:查普曼与霍尔出版社，1990。
[3] Collett，D。建模二进制数据．纽约：Chapman＆Hall，2002。
扩展能力
您还可以从以下列表中选择一个网站：
