线性回归介绍

什么是线性回归模型？

回归模型描述了从属变量和一个或多个独立变量之间的关系。

线性回归

适合线性回归模型并检查结果。

逐步回归

在逐步回归中，预测器自动添加到模型中或修剪。

使用强大的回归减少异常效果

适用于比普通最小二乘敏感的强大模型，以对数据的小部分的大变化。

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。

输出摘要和诊断统计

通过使用模型属性和对象功能来评估拟合模型。

Wilkinson表示法

Wilkinson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

线性回归工作流程

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信息。

线性回归与交互效应

用交互效应构建和分析线性回归模型，解释结果。

使用表的线性回归

此示例显示如何使用表执行线性和逐步回归分析。

与分类协变量的线性回归

使用分类阵列与分类协变量进行回归Fitlm.。

分析时间序列数据

此示例显示了如何使用a可视化和分析时间序列数据时间序列对象和对象回归功能。

火车线性回归模型

使用线性回归模型使用Fitlm.分析内存数据和内存失控数据。

偏最小二乘回归

部分最小二乘

局部最小二乘（PLS）构造新的预测变量作为原始预测变量的线性组合，同时考虑观察到的响应值，导致具有可靠预测力的解析模型。

部分最小二乘回归和主成分回归

该示例显示了如何应用部分最小二乘回归（PLSR）和主成分回归（PCR），并讨论两种方法的有效性。