逐步回归- MATLAB和Simulink金宝app - 金宝app,下载188bet金宝搏,金宝搏官方网站

逐步回归

逐步回归选择适当的模型

stepwiselm创建一个线性模型，并自动添加或调整模型。要创建一个小模型，从一个常量模型开始。要创建一个大型模型，首先要创建一个包含许多术语的模型。一个大的模型通常具有较低的误差，通过对原始数据的拟合来衡量，但可能在预测新数据方面没有任何优势。

stepwiselm可以使用所有的名值选项Fitlm.，附加了与起始和边界模型相关的选项。特别是:

对于一个小型模型，从默认的较低限制模型开始：'不变'(一个没有预测词的模型)。
默认的上限模型具有线性术语和交互条款（预测器对的产品）。下载188bet金宝搏对于还包括平方术语的上限模型，设置上名称-值对“二次”。

比较大而小的逐步型号

打开生活的脚本

此示例显示如何比较模型stepwiselm从常量模型和完整交互模型开始返回。

加载CARBIG.数据并从某些数据中创建表。

加载CARBIG.TBL =表（加速，位移，马力，重量，MPG）;

从恒定模型开始逐步创建里程模型。

mdl1 = stepwiselm(资源描述,'不变'那'responsevar'那'mpg'）

1.添加权重，FStat = 888.8507, pValue = 2.9728e-103添加马力，FStat = 3.8217, pValue = 0.00049608添加马力:重量，FStat = 64.8709, pValue = 9.93362e-15

MDL1 =线性回归模型：MPG〜1 +马力*重量估计系数：估计系数PVALUE __________ ______________________________________0.0272-18重量-0.25084 2.32262-18重量-0.07381 -13.9215.1372E-36马力：重量5.3554E-05 6.6491C-06 8.6491C-06 8.0542 9.9336E-15观察数：392，误差自由度：388根均匀误差：3.93 R线：0.748，调整R线：0.746F函数与常量型号：385，p值= 7.26e-116

从完整交互模型开始逐步创建里程模型。

mdl2 = stepwiselm(资源描述,“互动”那'responsevar'那'mpg'）

1.取出加速度：位移= 0.024186，pvalue = 0.8765 2.取出位移：重量，FSTAT = 0.33103，PVALUE = 0.56539 3.去除加速：马力，FSTAT = 1.7334，PVALUE = 0.18876 4.去除加速：重量，FSTAT= 0.93269，PVALUE = 0.33477 5.拆卸马力：重量，FSTAT = 0.64486，PVALUE = 0.42245

MDL2 =线性回归型号：MPG〜1 +加速+重量+位移*马力估计系数：估计SE TSTAT PVALUE _______________________10.8593E-69加速-0.3440-69 0.010071  -8.0623 9.5014E-15马力-0.24313 0.026068 -9重量-0.0014367 0.00084041 -1.7095 0.08041 -1.7095 0.088166位移：马力0.00054236 5.7987E-05 9.3531 7.3531 7.0527E -19观察数：392，误差自由度：386根均匀误差：3.84 R线：0.761，调整R线：0.758 F统计与常数型号：246，P值= 1.32E-117

注意:

mdl1有四个系数（估计列),mdl2有六个系数。
调整后的r树mdl1是0.746，这略低于（更差）mdl2那0.758。

从完整的二次模型开始，逐步创建一个里程模型作为上限，从完整的二次模型开始：

mdl3 = stepwiselm(资源描述,“二次”那'responsevar'那'mpg'那'上'那“二次”);

1.拆卸加速：马力，FSTAT = 0.075209，PVALUE = 0.78405 2.拆卸加速：重量，FSTAT = 0.072756，PVALUE = 0.78751 3.拆卸马力：重量，FSTAT = 0.12569，PVALUE = 0.72314 4.去除重量^ 2，FSTAT= 1.194，pvalue = 0.27521 5.取出位移：重量，FSTAT = 1.2839，PVALUE = 0.25789 6.去除位移^ 2，FSTAT = 2.069，PVALUE = 0.15114 7.移除马力^ 2，FSTAT = 0.74063，PVALUE = 0.39

通过检查其公式来比较三种模型复杂性。

mdl1。公式

ans = MPG ~ 1 +马力*重量

mdl2.formula.

ANS = MPG〜1 +加速+重量+位移*马力

mdl3。公式

ANS = MPG〜1 +重量+加速*位移+位移*马力+加速^ 2

的调整 ${R.}^{2}$ 随着模型变得更复杂，值会稍微改善:

RSQUARED = [mdl1.rsquared.adjusted，......mdl2.rsquared.Adjusted，mdl3.rsquared.adjusted]

RSQUARED =.1×3.0.7465 0.7580 0.7599

比较三种模型的残余图。

子图（3,1,1）plotresids（mdl1）子图（3,1,2）plotresids（mdl2）子图（3,1,3）plotresids（mdl3）

模型有相似的残差。目前还不清楚哪种数据更适合。

有趣的是，更复杂的模型具有更大的残差最大偏差：

Rrange1 = [min (mdl1.Residuals.Raw), max (mdl1.Residuals.Raw)];Rrange2 = [min (mdl2.Residuals.Raw), max (mdl2.Residuals.Raw)];Rrange3 = [min (mdl3.Residuals.Raw), max (mdl3.Residuals.Raw)];Rranges = [Rrange1; Rrange2; Rrange3]

Rranges =3×2-10.7725 14.7314 - 11.44407 16.7562 -12.2723 16.7927

也可以看看

Fitlm.|LinearModel|plotResiduals|stepwiselm

统计和机器学习工具箱文档

金宝app

掌握机器学习：使用MATLAB逐步指南

下载电子书