为了在低维到中等维的数据集上获得更高的精度,使用线性回归模型拟合fitlm
.
为减少计算时间在高维数据集,拟合线性回归模型使用fitrlinear
.
回归的学习者 | 使用监督机器学习训练回归模型来预测数据 |
LinearModel |
线性回归模型 |
CompactLinearModel |
紧线性回归模型 |
RegressionLinear |
高维数据的线性回归模型 |
RegressionPartitionedLinear |
交叉验证线性回归模型的高维数据 |
回归模型描述一个因变量和一个或多个自变量之间的关系。
拟合一个线性回归模型并检验结果。
在逐步回归中,预测因子被自动添加到模型中或从模型中删除。
拟合一个鲁棒模型,它比普通最小二乘对小部分数据的大变化不那么敏感。
根据回归问题的类型选择回归函数,并使用新的拟合函数更新遗留代码。
使用模型属性和目标函数评估拟合模型。
威尔金森表示法提供了一种描述回归和重复度量模型而不指定系数值的方法。
导入和准备数据,拟合线性回归模型,检验和提高其质量,共享模型。
显示和解释线性回归输出统计数据。
构建并分析具有交互作用的线性回归模型,并解释结果。
这个例子展示了如何使用表格执行线性和逐步回归分析。
使用分类数组和使用分类协变量执行回归fitlm
.
这个例子展示了如何使用timeseries
对象和回归
函数。
训练线性回归模型使用fitlm
分析内存内数据和内存外数据。
偏最小二乘(Partial least squares, PLS)将原预测变量的线性组合构造新的预测变量,同时考虑观测响应值,从而得到一个具有可靠预测能力的简约模型。
本实例展示了如何应用偏最小二乘回归(PLSR)和主成分回归(PCR),并讨论了这两种方法的有效性。