本专栏回答了一些关于MATLAB中回归学习程序的问题;它不是一般意义上的回归。
自2017年以来，工程师和科学家已经可以使用回归学习者应用程序。回归分析帮助人们理解变量和数值响应之间的关系，并可以应用于预测能源消耗、财务绩效和制造工艺参数等任务。
从根本上说，回归学习者应用程序使您能够交互式地构建回归模型，而无需编写代码，并度量模型的准确性和性能。您可以快速比较各种回归模型和特性的性能。
该应用程序对于开始机器学习的人特别有用，所以我很高兴能回答一些与该应用程序直接相关的问题。
如果你不熟悉回归学习者应用程序，这里有一个演示视频让你快速上手:
与其他机器学习应用程序一样，在应用程序中使用时间序列数据之前，必须对其进行预处理和清理。这包括将数据调整为正确的格式、规范化数据以使其处于相同的规模、平均分布、处理重复或丢失的数据以及其他任何必要的任务。
你可以在回归学习者应用程序中做一些事情来加速训练。只是一个简短的提醒，我正在关注应用程序本身的技术。
建议1:使用平行回归模型训练
建议2:使用拒绝验证
如果您的数据仍然很大，请确保使用了正确的验证选项。在“回归学习者”应用程序中打开新会话并选择数据时，交叉验证默认选择。
交叉验证可以帮助您将数据划分为若干个层次(k)，对模型进行训练，并计算所有折叠的平均测试误差。与其他选项相比，此方法提供了更好的防止过度拟合的保护，但需要多次拟合，因此它适用于中小型数据集。
使用滑块控件，拒不验证可以帮助您选择要用作测试集的数据的百分比。该应用程序将在训练集上训练模型，并使用测试集评估其性能。用于测试的模型仅基于部分数据，因此拒绝验证特别适用于大型数据集。
当然，您也可以选择不验证您的模型，但这将使您有可能对训练数据进行过拟合。
启动新会话时，默认情况下会选择交叉验证。
建议3：仅在一组模型类型上训练数据
建议4：减少训练数据
你经常听说如何获得足够地数据，但关键是要确保你有足够的正确的数据。您可能有一些几年前不必要的历史数据不再有用。删除或减少此类数据可以加快训练速度，当然您需要关注数据的准确性和表示方式。这应该是您最后的选择，因为您必须非常谨慎地减少数据。
这是一个非常好的问题!在用数据训练模型以解释结果之后，需要采取一些步骤。
步骤1：找到均方根误差最小的模型
RMSE测量每个模型的预测值和观测值之间的距离，因此它测量这些残差的分布。应用程序将在最低RMSE周围添加一个框。
步骤2:探索模型
一旦你选择了RMSE最低的模型，下一步就是检查图中：下部RMSE将以粗体显示，周围有一个方框。
较低的RMSE将以粗体显示，并在其周围有一个方框。
响应图
响应图以垂直线显示预测响应与观测值的关系。如果您正在对您的数据使用拒绝验证或交叉验证，那么这个图就特别有趣，因为图中显示的预测是针对拒绝观察的，而模型没有接受过这方面的训练。
图中：使用响应图查看预测和观测之间的距离。
预测图与实际图
预测与实际的图可以帮助您检查模型的性能。你的模型的预测响应与实际的响应做了对比。在这个图中，一个完美的回归模型会有一个与观测值相同的预测响应，所以所有的点都在对角线上。然而，这在现实生活中是不会发生的，所以我们的目标是让点尽可能接近对角线，并大致对称地分布在对角线周围。如果您在图中检测到模式，这意味着可以改进模型，您可以训练另一种模型类型，或者使用高级选项使模型更加灵活。
如图所示:预测值与实际值的对比可以帮助您可视化回归模型的准确性
预测图与实际图可以帮助您可视化回归模型的准确性。
在为数据训练和评估了初始模型之后，可以通过调优模型的超参数来确保最佳性能。
由于超参数调整的影响因模型而异，因此必须为多种类型的模型优化超参数，因为初始模型可能无法产生最佳性能。
要使用经过充分训练和优化的模型对新数据进行预测，您需要将模型发送到某个地方。您可以将其导出到MATLAB中的工作区，或者使用应用程序中的相同步骤生成用于训练模型的MATLAB代码。从那里，您可以使用MATLAB编译器部署模型™ 或者使用MATLAB编码器从模型生成C/C++代码™.
想要更多吗?
机器学习和深度学习问答
机器学习和深度学习问答
在一个地方找到所有的列。
预先训练的深度学习模型
开始学习机器学习
探索机器学习的例子和教程。
神经网络设计
回归学习者应用
请参阅有关如何交互式地培训、验证和优化回归模型的信息。