描述了从实验数据的数学关系,并作出预测

线性回归是用于描述连续的响应变量为一个或多个预测值变量的函数的统计建模技术。它可以帮助你理解和预测复杂系统的行为或分析实验,金融和生物数据。

线性回归技术被用来创建一个线性模型。该模型描述(称为预测)一个因变量\(Y \)之间的一个或多个自变量\(X_I \)的函数关系(也称为响应)。对于线性回归模型的一般方程是:

\ [Y = \ beta_0 + \总和\ \ beta_i X_I + \ epsilon_i \]

其中\(\测试\)表示线性参数估计被计算和\(\小量\)表示误差项。

有几种类型的线性回归模型:

  • 简单:只有一个预测模型

  • 多:模型与多个预测

  • 多因素:模型多重响应变量

简单线性回归在共同完成MATLAB。对于多个和多元线性回归,见统计和机器学习工具箱。它使多个,逐步,稳健,和多元回归到:

  • 生成预测
  • 比较线性模型拟合
  • 情节残差
  • 评估拟合优度拟合
  • 检测离群值

要创建一个线性模型适合曲线和曲面到您的数据,请参见曲线拟合工具箱

也可以看看:统计和机器学习工具箱曲线拟合工具箱机器学习数据拟合数据分析数学建模时间序列回归