多元线性回归
线性回归与多个预测变量
更大的准确性通过medium-dimensional低维数据集,使用线性回归模型fitlm
。
对高维数据集,减少了计算时间符合一个线性回归模型使用fitrlinear
。
应用程序
回归的学习者 | 使用监督机器学习训练回归模型预测数据 |
对象
LinearModel |
线性回归模型 |
CompactLinearModel |
紧凑的线性回归模型 |
RegressionLinear |
高维数据的线性回归模型 |
RegressionPartitionedLinear |
旨在为高维数据线性回归模型 |
功能
主题
介绍线性回归
回归模型描述因变量之间的关系和一个或多个自变量。
适合一个线性回归模型并检查结果。
在逐步回归,预测自动添加或削减从一个模型。
适合一个健壮的模型比普通最小二乘大变化不敏感数据的一小部分。
根据类型的回归函数选择一个问题,并使用新的拟合函数更新遗留代码。
评价拟合模型,利用模型属性和对象的功能。
威尔金森符号提供了一种方法来描述回归和重复测量模型没有指定系数值。
偏最小二乘回归
偏最小二乘(PLS)构造新的预测原始变量的线性组合预测变量,而考虑到观测响应值,导致一个吝啬的模型与可靠的预测能力。
应用偏最小二乘回归(PLSR)和主成分回归(PCR),并探索了这两种方法的有效性。