EstaPáginaAúnnoSEHARARCIDOPara EstaVersión。Puede Ver LaVersiónMásChieteede EstaPáginaSen。
Para Una MayorPrecisiónyPoccionesdeFuncióndeAnceSenConjuntos de Datos de Baja Ajuste Un Modelo Lineal Generalizado Unlerizodo。Fitglm.
Para Reducir El TiempodeCálculoen enta deatos de AltaDiumenión,entrene Un Modelo deClasificaciónLinealBinario,Como Un Modelo deRegresiónthogística,利斯图斯。FitClinear.
TambiénPuedeentrenar de Forma Efitiede Un Modelo deCódigosde Salida deCorreccióndeermióndeermióndoprase(ecoc)compuesto por modelos degregresiónlogísticamediante。Fitcecoc.
Para LaClasificaciónNOLIALCON大数据,entrene UN Modelo Binario deClasificacióndekernelGaussianoConRegresiónthogísticaMerurizodo。Fitconnelel.
GeneralizedLinearModel. |
广义线性回归模型类 |
Compact一项式标Model. |
紧凑型广义线性回归模型类 |
分类线性 |
高维数据二进制分类的线性模型 |
Classifiedecoc. |
支持向量机(SVM)和其他分类器的多牌型号金宝app |
ClassificationKernel. |
高斯内核分类模型使用随机特征扩展 |
分类分类线性 |
高维数据二进制分类的交叉验证的线性模型 |
ClassificationedAdearecoc. |
交叉验证的线性纠错输出代码模型,用于高维数据的多级数据分类 |
Fitglm. |
创建广义线性回归模型 |
挺身油 |
通过逐步回归创建概括的线性回归模型 |
袖珍的 |
紧凑型广义线性回归模型 |
disp |
|
Feval. |
使用每个预测器的输入预测广义线性回归模型的响应 |
预测 |
预测广义线性回归模型的响应 |
随机的 |
为广义线性回归模型模拟随机噪声的响应 |
FitClinear. |
将线性分类模型适合高维数据 |
TemplateLinear. |
线性分类学习者模板 |
Fitcecoc. |
ajustar modelos multiicallase paramáquinasvectorialesde soporte u Otros clasificadores |
预测 |
预测线性分类模型的标签 |
Fitconnelel. |
适合高斯内核分类模型使用随机功能扩展 |
预测 |
预测高斯内核分类模型的标签 |
绘图竞争依赖性 |
创建部分依赖图(PDP)和个人有条件期望(ICE)情节 |
符合广义的线性模型并分析结果。
创建和比较逻辑回归分类器,并导出培训的模型来对新数据进行预测。
Datos de Ajuste Con Modelos Lineales Generalizados
En Este Ejemero Se MuestraCómoAjustary评价Modelos Lineales Generalizados Mediante Y.glmfit.
glmval.
LaRegresiónLinealOrdinaria Se Puede Uterizar Para ajustar UnaLíneaenta,O CualquierFunciónQue Sea Lineal en SusParámetros,Datos Con Errores Distribuidos Italantmente。
Análisisbayesiano para Un Modelo deRegresiónlogística
En Este Ejemero Se MuestraCómoariazar indencias bayesianas para un modelo degregsiónlogísticamediante。slicesample.
广义线性模型使用线性方法来描述预测器术语与响应变量之间的潜在非线性关系。
标称响应变量具有限制可能的值集,不会在它们之间无自然顺序。标称响应模型解释并预测观察在每个类别的分类响应变量中的概率。
序数响应变量具有落入自然秩序的受限制可能的值集。序数响应模型描述了类别和预测变量的累积概率之间的关系。
分层多项式响应变量(也称为顺序或嵌套多项响应)具有落入分层类别的受限制可能的值集。分层多项式回归模型是基于条件二进制观察的二进制回归模型的扩展。
Wilkinson表示法提供了一种描述回归和重复测量模型的方法,而无需指定系数值。