回归
用于监督学习的线性、广义线性、非线性和非参数技术
回归模型描述了响应(输出)变量和一个或多个预测(输入)变量之间的关系。统计和机器学习工具箱™允许您拟合线性、广义线性和非线性回归模型,包括逐步模型和混合效应模型。拟合模型后,可以使用它来预测或模拟响应,使用假设检验评估模型拟合,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了非参数回归方法,以适应更复杂的回归曲线,而无需指定响应和具有预定回归函数的预测因子之间的关系。您可以使用训练过的模型预测新数据的响应。高斯过程回归模型还允许您计算预测区间。
类别
- 回归学习者App
交互地训练、验证和调优回归模型 - 线性回归
多重、逐步、多元回归模型等等 - 广义线性模型
逻辑回归,多项回归,泊松回归等等 - 非线性回归
非线性固定效应和混合效应回归模型 - 金宝app支持向量机回归
金宝app回归模型的支持向量机 - 高斯过程回归
高斯过程回归模型(kriging) - 回归树
二叉决策树用于回归 - 回归树集合
随机森林,增强和袋装回归树 - 广义加性模型
由单变量和双变量形状函数组成的可解释模型用于回归 - 神经网络
回归神经网络 - 增量学习
拟合线性模型对流数据进行回归,并跟踪其性能 - 可解释性
训练可解释回归模型,解释复杂回归模型 - 模型建立与评估
特征选择,特征工程,模型选择,超参数优化,交叉验证,剩余诊断和绘图