回归

• 回归学习者应用程序
  互动列车，验证和曲调回归模型
  
• 线性回归
  多个，逐步，多变量回归模型等等
  
• 广义线性模型
  Logistic回归，多项式回归，泊松回归等等
  
• 非线性回归
  非线性固定和混合效应回归模型
  
• 金宝app支持向量机回归
  金宝app支持向量机器的回归模型
  
• 高斯过程回归
  高斯过程回归模型（Kriging）
  
• 回归树木
  用于回归的二进制决策树
  
• 回归树合奏
  随机森林，提升和袋装回归树
  
• 广义添加剂模型
  可解释的模型由单变量和双变量形状函数组成，用于回归
  
• 神经网络
  用于回归的神经网络
  
• 增量学习
  拟合线性模型，以便回归流媒体数据并跟踪其性能
  
• 解释性
  火车可解释的回归模型和解释复杂回归模型
  
• 模型建筑和评估
  特征选择，型号选择，封立计数器优化，交叉验证，剩余诊断和图
  

特色例子

用广义线性模型拟合数据

使用和评估广义线性模型的使用glmfit.和glmval.。

打开脚本

Logistic回归模型的贝叶斯分析

制作贝叶斯的推论，用于使用逻辑回归模型slicesample.。

打开脚本

加权非线性回归

适用于具有非合作误差方差的数据的非线性回归模型。

打开脚本

部分最小二乘回归和主成分回归

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。

打开脚本

自动回归模型选择与贝叶斯优化

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。

打开直播脚本