为了在低维到中维数据集上获得更高的精度,使用拟合线性回归模型fitlm
.
为减少在高维数据集上的计算时间,使用拟合线性回归模型fitrlinear
.
回归的学习者 | 使用监督机器学习训练回归模型来预测数据 |
LinearModel |
线性回归模型 |
CompactLinearModel |
紧线性回归模型 |
RegressionLinear |
高维数据的线性回归模型 |
RegressionPartitionedLinear |
高维数据的交叉验证线性回归模型 |
回归模型描述一个因变量和一个或多个自变量之间的关系。
拟合线性回归模型并检验结果。
在逐步回归中,预测器被自动添加到模型中或从模型中修剪。
拟合一个稳健的模型,该模型对一小部分数据的大变化比普通最小二乘法更不敏感。
根据回归问题的类型选择回归函数,并使用新的拟合函数更新遗留代码。
利用模型属性和对象函数对拟合模型进行评估。
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。
导入并准备数据,拟合线性回归模型,检验并提高模型质量,共享模型。
显示和解释线性回归输出统计数据。
建立并分析线性回归模型的交互作用,并解释结果。
这个示例展示了如何使用表执行线性和逐步回归分析。
使用分类数组和执行分类协变量回归fitlm
.
这个例子展示了如何可视化和分析时间序列数据使用timeseries
对象和回归
函数。
使用。训练线性回归模型fitlm
分析内存中的数据和内存外的数据。
偏最小二乘(PLS)在考虑观测响应值的同时,将原预测变量作为线性组合构造新的预测变量,使模型具有可靠的预测能力。
应用偏最小二乘回归(PLSR)和主成分回归(PCR),探讨两种方法的有效性。