文档帮助中心
回归模型描述了响应(输出)变量与一个或多个预测(输入)变量之间的关系。统计和机器学习工具箱™允许您拟合线性、广义线性和非线性回归模型,包括逐步模型和混合效应模型。一旦您适合一个模型,您可以使用它来预测或模拟响应,使用假设测试来评估模型的适合程度,或者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,而无需指定响应与具有预定回归函数的预测器之间的关系。您可以使用训练过的模型预测新数据的响应。高斯过程回归模型也使您能够计算预测区间。
拟合和评估广义线性模型使用glmfit和glmval。
glmfit
glmval
对逻辑回归模型进行贝叶斯推理slicesample。
slicesample
拟合误差方差为非常数的非线性回归模型。
应用偏最小二乘回归(PLSR)和主成分回归(PCR)方法,讨论了两种方法的有效性。PLSR和PCR都是在预测变量数量较多的情况下对响应变量进行建模的方法,这些预测变量之间存在高度相关甚至共线关系。这两种方法都构造了新的预测变量,称为分量,作为原始预测变量的线性组合,但是它们构造这些分量的方式不同。PCR创造了解释预测变量中观察到的变化的成分,而完全不考虑反应变量。另一方面,PLSR确实考虑了响应变量,因此常常导致模型能够用更少的组件来适应响应变量。就其实际应用而言,这最终是否会转化为一个更节俭的模式,取决于具体情况。
你点击了一个链接,对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入该命令来运行它。Web浏览器不支持MATLAB命令。金宝app
选择一个网站来获取可用的翻译内容,并查看本地事件和报价。根据你的位置,我们建议你选择:。
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文),以获得最佳的网站表现。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
联系你当地的办公室