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，使用拟合一个广义线性回归模型fitglm．对于多项逻辑回归，拟合一个模型使用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错误校正输出代码(ECOC)模型菲切克．
对于大数据的非线性分类，利用logistic回归训练二元高斯核分类模型菲克内尔．
对象
功能
主题
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潜在的非线性关系。
拟合广义线性模型并分析结果。
使用拟合和评估广义线性模型glmfit和glmval．
创建和比较逻辑回归分类器，并导出训练过的模型来预测新数据。
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，而无需指定系数值。
多项式Logistic回归
一个标称响应变量有一组限制的可能值，它们之间没有自然顺序。一个名义响应模型解释和预测一个观察是在一个分类响应变量的每个类别中的概率。
有序响应变量有一组受限制的可能值，这些值按自然顺序排列。顺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：
