文件帮助中心文件
回归模型描述了响应(输出)变量和一个或多个预测器(输入)变量之间的关系。统计和机器学习工具箱™允许您配合线性,广义线性和非线性回归模型,包括逐步型号和混合效果模型。拟合模型后,您可以使用它来预测或模拟响应,使用假设测试评估模型适合,或使用图来可视化诊断,残差和交互效果。
统计和机器学习工具箱还提供非参数回归方法,以适应更复杂的回归曲线,而无需指定具有预定回归函数的响应与预测器之间的关系。您可以使用培训的模型预测对新数据的响应。高斯进程回归模型还使您能够计算预测间隔。
使用和评估广义线性模型的使用glmfit.和glmval.。
glmfit.
glmval.
制作贝叶斯的推论,用于使用逻辑回归模型slicesample.。
slicesample.
适用于具有非合作误差方差的数据的非线性回归模型。
应用局部最小二乘回归(PLSR)和主成分回归(PCR),并讨论两种方法的有效性。PLSR和PCR在有大量预测变量时模拟响应变量的方法,并且这些预测器是高度相关的甚至共线。这两种方法都构造了新的预测变量,称为组件,作为原始预测器变量的线性组合,但它们以不同方式构造这些组件。PCR创建组件以解释预测变量中的观察到可变性,而不考虑响应变量。另一方面,PLSR确实考虑了响应变量,因此通常会导致能够使用更少组件符合响应变量的模型。在其实际使用方面,最终是否转化为更加令人垂涎的模型,取决于上下文。
用Fitrauto.给定培训预测器和响应数据,自动尝试具有不同的超参数值的回归模型类型。
Fitrauto.
您单击了与此MATLAB命令对应的链接:
在MATLAB命令窗口中输入它来运行命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站,以便在可用的地方进行翻译的内容,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(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。
联系您当地的办公室