主要内容
广义线性回归
具有各种分布和连接函数的广义线性回归模型，包括logistic回归
为了在低维到中维数据集上获得更高的精度和链接函数选择，请使用菲特格姆. 对于多项式逻辑回归，使用mnrfit.
为了减少高维数据集的计算时间，可以使用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纠错输出码（ECOC）模型：菲切克.
对于具有大数据的非线性分类，使用菲克内尔.
物体
功能
话题
广义线性回归
广义线性模型使用线性方法来描述预测项和响应变量之间的潜在非线性关系。
拟合广义线性模型并分析结果。
使用glmfit和格林瓦尔.
创建并比较逻辑回归分类器，并导出经过训练的模型以对新数据进行预测。
威尔金森表示法提供了一种描述回归和重复测量模型的方法，无需指定系数值。
多项式Logistic回归
标称响应变量具有一组受限的可能值，它们之间没有自然顺序。名义反应模型解释和预测了观察值在分类反应变量的每个类别中的概率。
有序响应变量具有一组受限的可能值，这些值属于自然顺序。有序响应模型描述了类别的累积概率与预测变量之间的关系。
分层多项式响应变量（也称为序列或嵌套多项式响应）具有一组受限的可能值，这些值属于分层类别。分层多项式回归模型是基于条件二元观测的二元回归模型的扩展。
您还可以从以下列表中选择网站：
