文档帮助中心文档
回归模型描述一个响应(输出)变量之间的关系,以及一个或多个预测变量(输入)。统计和机器学习工具箱™允许您适合线性,广义线性和非线性回归模型,包括分段模型和mixed-effects模型。一旦你适应一个模型,您可以使用它来预测或模拟反应,评估模型适合使用假设测试,或使用图来可视化诊断,残差和交互影响。
统计和机器学习工具箱还提供了非参数回归方法以适应更复杂的回归曲线没有指定响应之间的关系和预定的回归函数的预测因子。你可以预测新数据使用训练模型反应。高斯过程回归模型也使您能够计算预测区间。
广义线性模型和评估使用glmfit和glmval。
glmfit
glmval
使贝叶斯推论的逻辑回归模型使用slicesample。
slicesample
合适的非线性回归模型数据和非常数的误差方差。
应用偏最小二乘回归(PLSR)和主成分回归(PCR),并讨论了这两种方法的有效性。PLSR模型和PCR方法响应变量当有大量的预测变量,这些预测是高度相关的,甚至共线。这两种方法构造新的预测变量,称为组件,作为最初的预测变量的线性组合,但是他们以不同的方式构造这些组件。PCR创建组件来解释观察到的变化的预测变量,而不考虑反应变量。另一方面,PLSR确实考虑到响应变量,因此常常会导致模型能够适应反应变量用更少的组件。是否最终转化为更简洁的模型,在其实际应用方面,取决于上下文。
使用fitrauto尝试自动回归模型类型的选择与不同hyperparameter值,给定训练预测和响应数据。
fitrauto
你点击一个链接对应MATLAB命令:
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。金宝app
选择一个网站翻译内容,看到当地事件和提供。根据你的位置,我们建议您选择:。
你也可以从下面的列表中选择一个网站:
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。
联系你当地的办公室