多元线性回归
带有多个预测变量的线性回归
为了通过中等维数据集在低维度上的准确性,请使用线性回归模型fitlm
。
对于缩短高维数据集的计算时间,请使用线性回归模型fitrlinear
。
应用
回归学习者 | 火车回归模型使用监督的机器学习预测数据 |
对象
线性模型 |
线性回归模型 |
compactlinearmodel |
紧凑的线性回归模型 |
回归线 |
高维数据的线性回归模型 |
回归专业 |
高维数据的交叉验证线性回归模型 |
功能
话题
线性回归简介
- 什么是线性回归模型?
回归模型描述了因变量与一个或多个自变量之间的关系。 - 线性回归
拟合线性回归模型并检查结果。 - 逐步回归
在逐步回归中,预测变量会自动从模型中添加或修剪。 - 使用强大的回归减少异常效应
在数据的一小部分中,适用于比普通最小二乘不太敏感的强大模型。 - 选择回归函数
根据回归问题的类型选择回归函数,并使用新的拟合功能更新旧版代码。 - 产出和诊断统计的摘要
通过使用模型属性和对象功能评估拟合模型。 - 威尔金森符号
威尔金森符号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。
线性回归工作流程
- 线性回归工作流程
导入和准备数据,拟合线性回归模型,测试和提高其质量并共享模型。 - 解释线性回归结果
显示和解释线性回归输出统计。 - 线性回归与相互作用效应
构建和分析具有相互作用效应的线性回归模型并解释结果。 - 使用表的线性回归
此示例显示了如何使用表执行线性和逐步回归分析。 - 与分类协变量的线性回归
使用分类阵列使用分类协变量进行回归fitlm
。 - 分析时间序列数据
此示例显示了如何使用A的时间序列数据可视化和分析时间序列数据时间序列
对象和回归
功能。 - 火车线性回归模型
使用线性回归模型训练fitlm
分析内存数据和存储外数据。
部分最小二乘回归
- 部分最小二乘
部分最小二乘(PLS)将新的预测变量构建为原始预测变量的线性组合,同时考虑观察到的响应值,从而导致具有可靠的预测能力的简约模型。 - 部分最小二乘回归和主要成分回归
应用部分最小二乘回归(PLSR)和主成分回归(PCR),并探索两种方法的有效性。