正则化

脊回归，套索，弹性网

为了在低至中维数据集上获得更高的精度和链接函数选择，使用套索惩罚拟合一个广义线性模型lassoglm．

为减少在高维数据集上的计算时间，使用下列方法训练二元线性分类模型，如正则化logistic回归模型fitclinear．您还可以使用以下方法有效地训练由逻辑回归模型组成的多类错误校正输出代码(ECOC)模型fitcecoc．

对于大数据的非线性分类，使用正则化logistic回归训练二元高斯核分类模型fitckernel．

类

`ClassificationLinear`	用于高维数据二值分类的线性模型
`ClassificationECOC`	支持向量机(svm)等分类器的多类模型金宝app
`ClassificationKernel`	高斯核分类模型使用随机特征展开
`ClassificationPartitionedLinear`	用于高维数据二值分类的交叉验证线性模型
`ClassificationPartitionedLinearECOC`	用于高维数据多类分类的交叉验证线性纠错输出码模型

lassoglm 用于广义线性模型的套索或弹性网正则化

从广义线性模型中识别并去除冗余预测器。

规范二项式回归。

用比观察到的更多的预测因素来使模型正规化。

套索算法生成的模型更小，预测因子更少。在预测因子相关性高的情况下，相关的弹性网算法的精度更高。

下载电子书