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。
您还可以从以下列表中选择一个网站：
美洲
- AméricaLatina（Español）
- 加拿大（英语）
- 美国（英语）