线性回归简介

什么是线性回归模型?

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。

线性回归

拟合一个线性回归模型并检验结果。

逐步回归

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。

使用稳健回归减少离群值效应

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。

选择一个回归函数

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。

输出和诊断统计的摘要

使用模型属性和目标函数评估拟合模型。

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度量模型而不指定系数值的方法。

线性回归的工作流

线性回归的工作流

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。

解释线性回归结果

显示和解释线性回归输出统计数据。

具有交互效应的线性回归

构建并分析具有交互作用的线性回归模型，并解释结果。

使用表格进行线性回归

这个例子展示了如何使用表格执行线性和逐步回归分析。

具有范畴协变量的线性回归

使用分类数组和使用分类协变量执行回归fitlm．

分析时间序列数据

这个例子展示了如何使用timeseries对象和回归函数。

列车线性回归模型

训练线性回归模型使用fitlm分析内存内数据和内存外数据。

偏最小二乘回归

偏最小二乘

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。

偏最小二乘回归与主成分回归

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。