このページの翻訳は最新ではありません。ここをクリックして,英語の最新版を参照してください。
低~中次元のデータセットで精度を向上させるには,fitlm
を使用して線形回帰モデルをあてはめます。
高次元データセットの計算時間を短縮するには,fitrlinear
を使用して線形回帰モデルをあてはめます。
回帰学習器 | 教師あり機械学習を使用して,データを予測するように回帰モデルに学習をさせる |
LinearModel |
線形回帰モデル |
CompactLinearModel |
コンパクトな線形回帰モデル |
RegressionLinear |
高次元データ用の線形回帰モデル |
RegressionPartitionedLinear |
高次元データ用の交差検証済み線形回帰モデル |
回帰モデルは1つの従属変数と1つ以上の独立変数の関係を記述します。
線形回帰モデルをあてはめ,結果を調べます。
ステップワイズ回帰では,予測子が自動的にモデルに対して追加またはトリミングされます。
データの小部分における大きい変化に対する感度が通常の最小二乗法より低いロバストモデルをあてはめます。
回帰問題のタイプに基づいて回帰関数を選択し,新しい近似関数を使用してレガシコードを更新します。
モデルのプロパティとオブジェクト関数を使用して,あてはめたモデルを評価する。
ウィルキンソンの表記法を使用すると,係数の値を指定せずに回帰と反復測定のモデルを記述できます。
データのインポートと準備,線形回帰モデルのあてはめ,品質のテストと改善,およびモデルの共有を行う。
線形回帰の出力統計を表示および解釈します。
交互作用効果がある線形回帰モデルを作成および分析し,結果を解釈します。
次の例では,テーブルを使用して線形およびステップワイズ回帰解析を行う方法を説明します。
绝对配列とfitlm
を使用してカテゴリカル共変量による回帰を実行します。
この例では,timeseries
オブジェクトと関数回归
を使用して時系列データを可視化し解析する方法を示します。
fitlm
を使用して線形回帰モデルを学習させ,インメモリデータとメモリ超過のデータを解析します。
部分最小二乗(PLS)は観測された応答値を考慮しつつ,元の予測子変数の線形結合として新しい予測子変数を構築し,信頼できる予測力をもつ倹約モデルを作成します。
この例では,部分最小二乗回帰(PLSR)と主成分回帰(PCR)の適用方法を示し,これら2つの手法の有効性について説明します。