文档帮助中心文档
多项Logistic回归价值
pihat = mnrval(B,X)
[pihat,dlow,dhi]=mnrval(B,X,stats)
[pihat dlow,济]= mnrval (B, X,统计数据、名称、值)
yhat = mnrval (B, X, ssize)
[yhat,dlow,DHI] = mnrval(B,X,ssize,统计信息)
[yhat dlow,济]= mnrval (B, X, ssize统计数据、名称、值)
例子
pihat= mnrval(B,X)返回具有预测因子的多项式逻辑回归模型的预测概率,X,系数估计,B.
pihat= mnrval(B,X)
pihat
B
X
pihat是一个n——- - - - - -k矩阵对每个多项式类别的预测概率。B是否包含由返回的系数估计的向量或矩阵mnrfit.和X是一个n——- - - - - -p矩阵包含n为观察p预测。
mnrfit
请注意
mnrval在所有模型中自动包含一个常数项。不输入一列1X.
mnrval
[pihat,dlow,济] = mnrval(B,X,统计)也会返回95%的预测概率误差范围,pihat,使用结构中的统计数据,统计,通过返回mnrfit.
[pihat,dlow,济] = mnrval(B,X,统计)
dlow
济
统计
随机变量的置信下限和置信上限pihat是pihat减dlow和pihat加济置信限是非同步的,仅适用于拟合曲线,不适用于新观测值。
[pihat,dlow,济] = mnrval(B,X,统计,名称,值)返回预测概率和预测概率的95%错误界限pihat,与由一个或多个指定的附加选项名称,值对参数。
[pihat,dlow,济] = mnrval(B,X,统计,名称,值)
名称,值
例如,您可以指定型号,链接功能,和概率的返回类型。
yhat= mnrval(B,X,ssize)返回预测类别计数样本大小,ssize.
yhat= mnrval(B,X,ssize)
yhat
ssize
[yhat,dlow,济] = mnrval(B,X,ssize,统计)还计算预测计数的95%误差范围yhat,使用结构中的统计数据,统计,通过返回mnrfit.
[yhat,dlow,济] = mnrval(B,X,ssize,统计)
随机变量的置信下限和置信上限yhat是yhat减dlo和yhat加济,分别。置信界限是非同步的,它们适用于拟合曲线,而不是新的观测值。
dlo
[yhat,dlow,济] = mnrval(B,X,ssize,统计,名称,值)返回预测的类别计数和预测计数的95%错误边界yhat,与由一个或多个指定的附加选项名称,值对参数。
[yhat,dlow,济] = mnrval(B,X,ssize,统计,名称,值)
例如,您可以指定模型类型、链接函数和要返回的预测计数的类型。
全部收缩
适用于额定结果的多项式回归,并估计该类别的概率。
加载样本数据。
负载fisheriris
列向量,物种,由三个不同品种的花菖蒲,setosa,云芝,弗吉尼亚。双矩阵量由上的花朵,分别四种类型的测量,以厘米为单位的长度和萼片和花瓣的宽度的。
物种
量
定义标称响应变量。
sp=标称(物种);sp=双(sp);
现在SP.、1、2和3分别表示刚毛、杂色和维吉尼亚。
SP.
适合估计用花测量值作为预测变量的种类标准模型。
[B,发展,统计]=mnrfit(多边环境协定,标准普尔);
如果鸢尾花有测量值(6.3,2.8,4.9,1.7),估计其成为某种物种的概率。
X = [6.3,2.8,4.9,1.7]。pihat = mnrval(B,X);pihat
pihat =1×30 0.3977 0.6023
具有测量值(6.3,2.8,4.9,1.7)的鸢尾花成为刚毛的概率为0,花色为0.3977,弗吉尼亚为0.6023。
适合多项式回归模型与类别之间的自然排序分类响应。然后,估计该类别概率估计的上下置信区间。
装载样品数据和定义的预测变量。
加载(“carbig.mat”) X =[加速度位移马力重量];
预测变量是加速度、发动机排量、马力和汽车重量。响应变量是每加仑英里数(MPG)。
MPG
创建一个序响应变量归类MPG为四个层次的9至48英里。
英里=序数(MPG, {' 1 ',' 2 ',“3”,“4”},[],[39 9日,19日,29日,48]);英里=双(英里);
以英里为单位,1表示从9到19英里每加仑的汽车,2表示从20到29英里每加仑的汽车。类似地,3和4分别表示每加仑汽油行驶里程从30到39和40到48的汽车。
拟合多项式回归模型响应变量英里。对于序数模型,默认值为“链接”是Logit模型默认值是多少“互动”是“关”.
英里
“链接”
Logit模型
“互动”
“关”
[B, dev,统计]= mnrfit (X,英里,'模型',“顺序”);
计算每加仑汽车行驶英里数的概率估计值和95%的误差范围 x = (12, 113, 110, 2670).
X = [12,113,110,2670];[pihat,dlow,喜] = mnrval(B,X,统计数据,'模型',“顺序”);pihat
pihat =1×40.0615 0.8426 0.0932 0.0027
计算类别概率估计的置信边界。
LL=pihat-dlow;UL=pihat+hi;[LL;UL]
ans =2×40.0073 0.7829 0.0283 -0.0003 0.1157 0.9022 0.1580 0.0057
拟合一个多项式回归的名义结果和估计类别计数。
列向量,物种,由三种不同种类的鸢尾花组成,柱头花(setosa)、花斑花(versicolor)和弗吉尼亚花(virginica)。双矩阵量由上的花朵,分别四种类型的测量,以厘米为单位的长度和萼片和花瓣的宽度的。
拟合一个标称模型,根据花的测量值来估计物种。
用测量值(6.3,2.8,4.9,1.7)估算100朵鸢尾花样本中每个种类的数量。
X = [6.3,2.8,4.9,1.7]。yhat = mnrval(B,X,18)
yhat =1×30 7.1578 10.8422
估计计数的误差范围。
[yhat,dlow,hi]=mnrval(B,x,18,stats,'模型',“名义上的”);
LL = yhat - dlow;UL = + yhat喜;[LL; UL]
ans =2×30 3.3019 6.9863 0 11.0137 14.6981
创建带有一个预测变量和一个带有三个类别的分类响应变量的样本数据。
X = [-3 -2 -1 0 1 2 3]';Y = [1 11 13;2 9 14;6 14 5;5 10 10;......5 14 6;7 13 5;8 11 6];[Y X]
ans =7×41 11 13 -3 2 9 14 -2 6 14 5 -1 5 10 10 0 5 14 6 1 7 13 5 2 8 11 6 3
对预测变量的七个不同值进行了观察x.响应变量Y有三类和数据显示有多少25个人是在每个类别Y每观察一次x.例如,当x是-3,25个个体中有1个在第1类中观察到,11个在第2类中观察到,13个在第3类中观察到。同样的,当x在1类中观察到5个个体,在2类中观察到14个个体,在3类中观察到6个个体。
x
Y
绘制每个类别中的数字与x值,在堆叠的条形图上。
栏(x, Y,“堆叠”);ylim([0 25]);
拟合个别反应类别概率的名义模型,在单个预测变量上有单独的斜率,x,为每个类别。
betaHatNom=mnrfit(x,Y,'模型',“名义上的”,......“互动”,“上”)
betaHatNom =2×2-0.6028 0.3832 0.4068 0.1948
第一排betaHatOrd包含前两个响应类别的拦截术语。第二行是斜率。mnrfit接受第三类别作为参考类别,并因此不对第三类的系数均为零。
betaHatOrd
计算三个反应类别的预测概率。
xx = linspace (4, 4) ';piHatNom = mnrval (betaHatNom, xx,'模型',“名义上的”,......“互动”,“上”);
的第三类是所述概率仅仅是1 - P( y =1)-P( y = 2)。
在条形图上绘制每个类别的估计累积数量。
线(XX,cumsum(25 * piHatNom,2),“线宽”,2);
第三类累积概率始终为1。
现在,适合的累积响应类别概率“并行”序数模型,具有共同的斜率上的单个预测变量,x在所有类别:
betaHatOrd = mnrfit (x, Y,'模型',“顺序”,......“互动”,“关”)
betaHatOrd =3×1-1.5001 0.7266 0.2642
前两个要素betaHatOrd是前两个响应类别的截取项。的最后一个元素betaHatOrd是共同斜率。
计算用于前两个响应的类别的预测累积概率。第三类累积概率始终为1。
piHatOrd = mnrval (betaHatOrd, xx,'类型',“累积”,......'模型',“顺序”,“互动”,“关”);
在观察到的累积数的柱状图上绘制估计的累积数。
图()条(x,总和(Y,2),“分组”); ylim([025]);行(xx,25*piHatOrd,“线宽”,2);
多项式逻辑回归模型的系数估计,指定为mnrfit.它是取决于型号和交互的矢量或矩阵。
例子:B = mnrfit (X, y);pihat = mnrval(B,X)
B = mnrfit (X, y);
数据类型:单身的|双重的
单身的
双重的
上预测样本数据,指定为n——- - - - - -p.X包含n为观察p预测。
例子:pihat = mnrval(B,X)
模型统计信息,指定为通过返回的结构mnrfit.你必须使用统计在输入参数mnrval计算类别概率和计数的上下限错误。
例子:[B, dev,统计]= mnrfit (X, y);[pihat,dlo,dhi]=mnrval(B,X,stats)
[B, dev,统计]= mnrfit (X, y);
[pihat,dlo,dhi]=mnrval(B,X,stats)
样本大小,用于返回每个预测变量组合的响应类别中的项目数,指定为n-乘1的正整数列向量。
例如,对于一个有三个类别的响应变量,如果对每个类别中的个体数量的观察是y1,y2, 和y3.,然后是样本量,米,因为这个观察是米=y1+y2+y3..
如果样本量n观测值是矢量样本,然后您可以按如下方式输入样本大小。
样本
例子:yhat = mnrval (B, X,样本)
yhat = mnrval (B, X,样本)
指定可选的逗号分隔的对名称,值论据。名称参数名和价值是对应的值。名称必须出现在引号内。您可以以任何顺序指定多个名称和值对参数Name1, Value1,…,的家.
名称
价值
Name1, Value1,…,的家
“模型”、“顺序”,“链接”,“probit”、“类型”、“累积”
模型
“名义上的”
“顺序”
“分层”
按类型为多项式模型拟合mnrfit,指定为逗号分隔的一对组成的'模型'下面是其中之一。
'模型'
例子:'模型',“顺序”
的相互作用
“上”
拟合模型中多项式类别和系数之间相互作用的指标mnrfit,指定为逗号分隔的一对组成的“互动”下面是其中之一。
例子:“互动”,“关”
数据类型:逻辑
逻辑
链接
分对数的
“概率”
'comploglog'
“日志”
链接功能mnrfit用于顺序和层次模型,指定为逗号分隔对,由“链接”下面是其中之一。
互补的双对数
f(γ) = ln(- ln(1 -γ))
f(γ)= LN(-ln(γ))
链接函数定义了响应概率和预测器的线性组合之间的关系,Xβ.
γ根据模型是用于顺序响应还是用于顺序/嵌套响应,可以是累积概率或条件概率。
您不能指定“链接”标称模型的参数;它们总是使用多项式逻辑连接,
LN. ( π j π r ) = β j 0 + β j 1 X j 1 + β j 2 X j 2 + ⋯ + β j p X j p , j = 1 , ... , k - 1 ,
在哪里π表示绝对概率,以及r对应于参考类别,k为响应类别的总数,p为预测变量的数量。mnrfit使用最后一个类别作为参考类别标称模型。
例子:“链接”,“日志”
类型
'类别'
“累积”
“条件”
要估计的概率或计数类型,指定为逗号分隔对,包括'类型'下面是其中之一。
'类型'
例子:'类型',“累积”
信心
置信水平误差界限,规定为逗号分隔的一对组成的“信心”和范围(0,1)的标量值。
“信心”
例如,对于99%的误差范围,您可以如下指定置信度:
例子:“信心”,0.99
0.99
每个多项式类别的概率估计,返回为n-借-(k- 1)矩阵,其中n是观察次数,以及k是响应类别的数目。
计算每个响应类别中的数量估计值,作为n——- - - - - -k- 1矩阵,其中n是观察次数,以及k是响应类别的数目。
下误差界,用于计算pihat或者yhat,作为列向量返回。
的置信下限pihat是pihat减dlow.同样的,置信下限yhat是yhat减dlow.置信限是非同步的,仅适用于拟合曲线,不适用于新观测值。
上限误差势必计算开往上的信心pihat或者yhat,作为列向量返回。
的上置信限pihat是pihat加济.同样,对于yhat是yhat加济.置信限是非同步的,仅适用于拟合曲线,不适用于新观测值。
[1] McCullagh,P.和J.A.Nelder。广义线性模型纽约:查普曼和霍尔,1990年。
菲特格姆|mnrfit|glmfit|glmval
菲特格姆
glmfit
glmval
您有此示例的修改版本。是否要用您的编辑打开此示例?
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站以获取翻译后的内容(如果可用),并查看本地活动和优惠。根据您的位置,我们建议您选择:.
您还可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
联系当地办事处