Regresión.

TécnicasLineales，Lineales，没有Lineales Y NoParamétricaspara el Aprendizaje Superisado

Los Modelos deRegresión描述了LaRelaciónTenreUna变量De Respuesta（Salida）Y Una OMás变量预测ortoras（entrada）。Le Permite Ajustar Modelos DeReglesiónLineal，Lineal Generalizada Y No Lineal，包含Modelos De Ecectos Mixtos.Statistics and Machine Seathing Tool™Una Vez Que Se Ajusta A UN Modelo，Puede Usarlo Para Predecir O Simular Respuestas，Evaluar El Ajuste DelModelo Mediante Pruebas deHipóteso公共o实用的Trazados para Visualizardiagnósticos，Residuos Y Efectos deInteracción。

También proporciona métodos de regresión no paramétricos para dar cabida a curvas de regresión más complejas in particular la relación entre la respuesta y los predicres con una función de regresión predeterminada。统计学和机器学习工具箱的前身是我们的新模型。我们的模型regresión de procesos gaussianos también允许计算区间predicción。

基础德拉雷斯

Aplicación de aprendizaje de regresión
因此，您可以使用regresión的交互式模式
ReglesiónLineal.
Modelos de regresión múltiples, escalonados y multivariados, y más
莫德罗直系Generalizados
RegresiónHogística，RegresiónMultinomial，Regresióndepoissonymás
Regresión没有Lineal.
Modelos deRegresióndeFectosFijos Y Mixtos没有Lineales
Soporte deRegresióndaLaMáquáquinavervial
Soportamáquinasvectrialespara modelos deRegresión
RegresióndelcocesoGaussiano
Movellos deRegresióndeCocesosGaussianos（Kriging）
LosÁrbolesdeRegresión
Arboles de decisión binarios para regresión
Ensambles de árboles de regresión
Bosques aleatorios，ÁrbolesdeRegresiónPotenciadosY栓塞
Construcciónyavicuacióndemodelos
Selección de características, optimización de hiperparámetros, validación cruzada, diagnóstico sresidual, parcelas

Ejemertos destacados.

对线性模型的调整是一般化的

因此，我们可以用我们的方法来评估一般的线性模型。glmfit.glmval.LaRegresiónLinealOrdinaria Se Puede Uterizar Para ajustar UnaLíneaenta，O CualquierFunciónQue Sea Lineal en SusParámetros，Datos Con Errores Distribuidos Italantmente。Este Es El Modelo deRegresiónMásMillizo;SIN EMBARGO，没有SIEMPRE ES REALISTA。Los Modelos Lineales GeneralizadosSollíanel Modelo Lineal de Dos Maneras。En Primer Lugar，LaAsuncióndeNealidaden LosParámetrosSeRelaja，Intrafiendo LaFuncióndeaface。EN SEGUNDO LUGAR，LAS DESIXIONES DE ERRORESTINTAS DE LAS NORMILES SE PUEDEN MOURIGAR

ABRIR脚本

Análisisbayesiano para Un Modelo deRegresiónlogística

因此，我们可以在cómo中实现贝叶斯推断，并在regresión logística中建立模型。slicesample

ABRIR脚本

Regresión没有直系ponderada

因此，我们可以看到cómo一个模型regresión没有线性的误差变化，没有常数。

ABRIR脚本

Regresión parcial de mínimos cuadrados y regresión de components principales

Este ejemplo muestra cómo applicar la regresión parcial de mínimos cuadrados (PLSR) y la regresión de components principales (PCR)，请描述los dos métodos的eficacia。PLSR y PCR son ambos métodos para modelar a variable de respuesta cuando hay un número variables predictoras, y esos predictoras están altamente correlation o incluso colineales。Ambos métodos解释新变量预测，conocidas como components, como combinaciones lineales as variables predictoras originales, pero解释不同的maneras components。PcR的组成部分对预测变量的可解释性比较强，对绝对变量的可解释性比较强。除此之外，我们还可以用一个重新定义的变量，我们可以用一个重新定义的变量来定义组成部分。如果这样做，不可以在última instancia en modelo más parsimonioso, en términos de su uso práctico，取决于上下文。

ABRIR脚本

Regresión.

Ejemertos destacados.

对线性模型的调整是一般化的

Análisisbayesiano para Un Modelo deRegresiónlogística

Regresión没有直系ponderada

Regresión parcial de mínimos cuadrados y regresión de components principales

DocumentAciónde统计和机器学习工具箱

Soporte

掌握机器学习：使用MATLAB逐步指南