多元线性回归
多预测变量线性回归
为了在低维到中维数据集上获得更高的准确性,使用拟合线性回归模型fitlm
.
为减少高维数据集上的计算时间,使用拟合线性回归模型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来预测数据 |
对象
LinearModel |
线性回归模型 |
CompactLinearModel |
紧凑线性回归模型 |
RegressionLinear |
高维数据的线性回归模型 |
RegressionPartitionedLinear |
高维数据的交叉验证线性回归模型 |
功能
主题
线性回归概论
- 什么是线性回归模型?
回归模型描述了因变量和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验结果。 - 逐步回归
在逐步回归中,预测器会自动添加到模型中或从模型中删除。 - 使用稳健回归减少离群值效应
拟合一个健壮的模型,它比普通最小二乘对小部分数据的大变化不那么敏感。 - 选择回归函数
根据回归问题的类型选择回归函数,并使用新的拟合函数更新遗留代码。 - 输出和诊断统计摘要
利用模型属性和对象函数对拟合模型进行评估。 - 威尔金森符号
威尔金森表示法提供了一种描述回归和重复测量模型而不指定系数值的方法。
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,测试和改进模型质量,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数据。 - 线性回归与交互效应
构建并分析一个具有交互作用的线性回归模型,并解释结果。 - 利用表格进行线性回归
这个例子展示了如何使用表格执行线性和逐步回归分析。 - 分类协变量的线性回归
使用分类数组和对分类协变量执行回归fitlm
. - 分析时间序列数据
此示例显示如何使用可视化和分析时间序列数据timeseries
对象和回归
函数。 - 列车线性回归模型
训练线性回归模型fitlm
分析内存内数据和内存外数据。
偏最小二乘回归
- 偏最小二乘
偏最小二乘(PLS)将新的预测变量构建为原始预测变量的线性组合,同时考虑观测到的响应值,从而得到一个具有可靠预测能力的简约模型。 - 偏最小二乘回归与主成分回归
应用偏最小二乘回归(PLSR)和主成分回归(PCR),探讨两种方法的有效性。