主要内容

CompactLinearModel.

紧凑线性回归模型

展开所有页面

描述

CompactLinearModel.是一个完整的线性回归模型对象的紧凑版本linearmodel.。因为紧凑的模型不存储用于适合拟合过程相关的模型或信息的输入数据，所以aCompactLinearModel.物体消耗的内存较少linearmodel.目的。您仍然可以使用紧凑的模型来预测使用新输入数据的响应，但有些linearmodel.对象功能不适用于紧凑的模型。

创建

创建一个CompactLinearModel.从充分培训的模型linearmodel.模型通过使用袖珍的。

特性

展开全部

系数估计

此属性是只读的。

系数估计的协方差矩阵，指定为aP.-经过-P.数值矩阵。P.是拟合模型中的系数数。

有关详细信息，请参阅系数标准错误和置信区间。

数据类型：单身的|双倍的

此属性是只读的。

系数名称，指定为字符向量的小区数组，每个传感器阵列包含相应项的名称。

数据类型：细胞

此属性是只读的。

系数值，指定为表。系数包含每个系数和这些列的一行：

  • 估计- 估计系数值

  • SE.- 估计的标准错误

  • Tstat.-T.- 测试系数为零的测试

  • pvalue.-P.- 为valueT.-统计

用Anova.（仅用于线性回归模型）或colealt在系数上执行其他测试。用COEFCI.找到系数估计的置信区间。

要将所有列中的任何列作为向量，请使用点表示法索引到属性中。例如，在模型中获得估计的系数矢量MDL.：

beta = mdl.cofficients.Estimate

数据类型：桌子

此属性是只读的。

模型系数的数量，指定为正整数。numcoefficents.包括当模型术语缺陷时设置为零的系数。

数据类型：双倍的

此属性是只读的。

模型中估计系数的数量，指定为正整数。numestimatedcoeffients.当模型术语缺陷时，不包括设置为零的系数。numestimatedcoeffients.是回归的自由度。

数据类型：双倍的

概要统计

此属性是只读的。

错误的自由度（残差），等于观察次数减去估计系数的数量，指定为正整数。

数据类型：双倍的

此属性是只读的。

基于每个响应值遵循正常分布的假设，指定为数值的响应值的loglikihie。正态分布的平均值是拟合（预测）的响应值，方差是MSE。

数据类型：单身的|双倍的

此属性是只读的。

模型比较标准指定为具有这些字段的结构：

  • AIC.- akaike信息标准。AIC = -2 * logl + 2 * m， 在哪里logl.是loglikelihie和m是估计参数的数量。

  • AICC.- Akaike信息标准校正样本大小。AICC = AIC +（2 * M *（M + 1））/（n - m - 1）， 在哪里N是观察人数。

  • BIC.- 贝叶斯信息标准。BIC = -2 * logl + m * log（n）。

  • CAIC.- 一致的akaike信息标准。caic = -2 * logl + m *（log（n）+ 1）。

信息条件是您可以使用的模型选择工具，以比较多个模型适合相同的数据。这些标准是基于可能性的模型拟合措施，包括复杂性的惩罚（具体地，参数的数量）。不同的信息标准通过罚款的形式来区分。

当您比较多个模型时，具有最低信息标准值的模型是最合适的模型。最佳拟合模型可以根据用于模型比较的标准而变化。

要将任何标准值作为标量，请使用点表示法索引到属性中。例如，获得AIC值AIC.在模型中MDL.：

AIC = mdl.modelcrertion.aic.

数据类型：塑造

此属性是只读的。

指定为数值的均方误差（残差）。

MSE=上席/DFE.那

在哪里MSE是平均方形错误，上席是平方误差的总和，和DFE.是自由度。

数据类型：单身的|双倍的

此属性是只读的。

根均方误差（残差），指定为数值。

RMSE.= sqrt（MSE），

在哪里RMSE.是根均匀的误差和MSE是平均平方误差。

数据类型：单身的|双倍的

此属性是只读的。

模型的R线值，指定为具有两个字段的结构：

  • 普通的- 普通（不调整）R角

  • 调整- 为系数的数量进行调整

R线值是模型解释的总线总和的比例。普通的R角值涉及SSR.和SST.特性：

RSQUARED = SSR / SST那

在哪里SST.是正方形的总和，和SSR.是正方形的回归和。

有关详细信息，请参阅判定系数（R角）。

要将这些值中的任何一个作为标量，请使用点符号索引到属性中。例如，在模型中获取调整后的R线值MDL.：

r2 = mdl.rsquared.Adjusted.

数据类型：塑造

此属性是只读的。

被指定为数值的平方误差（残差）之和。

毕达哥拉斯定理意味着

SST = SSE + SSR那

在哪里SST.是平方总和，上席是平方误差的总和，和SSR.是正方形的回归和。

数据类型：单身的|双倍的

此属性是只读的。

成分的回归和指定为数值。正方形的回归和等于从其平均值的拟合值的平方偏差之和。

毕达哥拉斯定理意味着

SST = SSE + SSR那

在哪里SST.是平方总和，上席是平方误差的总和，和SSR.是正方形的回归和。

数据类型：单身的|双倍的

此属性是只读的。

总线总和，指定为数值。正方形总和等于响应矢量的平方偏差之和y来自意思是（y）。

毕达哥拉斯定理意味着

SST = SSE + SSR那

在哪里SST.是平方总和，上席是平方误差的总和，和SSR.是正方形的回归和。

数据类型：单身的|双倍的

拟合方法

此属性是只读的。

强大的拟合信息，指定为具有此表中描述的字段的结构。

场地 描述
WGTFUN. 强大的加权功能，如'bisquare'（看'抢劫'）
调 调整常数。这个字段是空的（[]） 如果WGTFUN.是'OLS'或者如果WGTFUN.是具有默认调谐常量1的自定义权重函数的函数句柄。
重量 在坚强的适合的最终迭代的重量传染媒介。这个字段为空为空CompactLinearModel.目的。

除非使用强大的回归，否则此结构为空。

数据类型：塑造

输入数据

此属性是只读的。

模型信息，指定为alinearformula.目的。

显示拟合模型的公式MDL.使用点表示法：

mdl.formula.

此属性是只读的。

观察次数拟合用于拟合的拟合功能，指定为正整数。numobservations.是原始表，数据集或矩阵中提供的观察数，减去任何排除的行（设置'排除'名称值对参数）或具有缺失值的行。

数据类型：双倍的

此属性是只读的。

用于适合模型的预测变量数，指定为正整数。

数据类型：双倍的

此属性是只读的。

输入数据中的变量数，指定为正整数。numvarialbles.是原始表或数据集中的变量数，或预测器矩阵和响应矢量中的列总数。

numvarialbles.还包括任何不用于将模型作为预测器或响应拟合模型的变量。

数据类型：双倍的

此属性是只读的。

用于适合模型的预测器的名称，指定为字符向量的单元格数组。

数据类型：细胞

此属性是只读的。

响应变量名称，指定为字符向量。

数据类型：char

此属性是只读的。

有关包含在内的变量的信息变量，指定为每个变量为一行的表和此表中描述的列。

柱子 描述
班级 可变类，指定为字符向量的小区数组，例如'双倍的'和'分类'
范围

可变范围，指定为传感器的单元格数组

  • 连续变量 - 双元素矢量[闵那最大限度]，最小值和最大值

  • 分类变量 - 不同的变量值的矢量
inmodel. 该变量位于拟合模型中的指示器，指定为逻辑向量。价值是真的如果模型包括变量。
是基本的 分类变量的指示器，指定为逻辑向量。价值是真的如果变量是分类的。

变量税收还包括任何不用于将模型作为预测器或响应拟合模型的变量。

数据类型：桌子

此属性是只读的。

变量的名称，指定为字符向量的小区数组。

  • 如果拟合基于表或数据集，则此属性提供表或数据集中的变量的名称。

  • 如果拟合基于预测矩阵和响应矢量，则variablenames.包含由此指定的值'varnames'拟合方法的名称值对参数。默认值'varnames'是{'x1'，'x2'，...，'xn'，'y'}。

variablenames.还包括任何不用于将模型作为预测器或响应拟合模型的变量。

数据类型：细胞

对象功能

展开全部

Feval. 使用每个预测器的输入预测线性回归模型的响应
预测 预测线性回归模型的响应
随机的 用随机噪声模拟线性回归模型的响应
Anova. 线性回归模型的差异分析
COEFCI. 线性回归模型系数估计的置信区间
colealt 线性回归模型系数的线性假设试验
部分竞争 计算部分依赖
料理缺点 绘制预测因子在线回归模型的主要效果
plotinteraction. 两个预测因子在线性回归模型中的绘图交互效应
绘图竞争依赖性 创建部分依赖图（PDP）和个人有条件期望（ICE）情节
plotslice. 通过拟合线性回归表面切片图
收集 收集GPU机器学习模型的属性

例子

全部收缩

打开直播脚本

拟合线性回归模型通过丢弃样本数据和与拟合过程有关的一些信息来实现数据的线性回归模型并减小完整的线性回归模型的大小。

加载laredata4reg数据集，其中包含15,000个观察和45个预测变量。

加载laredata4reg

适合数据的线性回归模型。

mdl = fitlm（x，y）;

压缩模型。

CompactMDL = Compact（MDL）;

紧凑的模型丢弃了原始样本数据和与配件过程相关的一些信息。

比较完整模型的大小MDL.和紧凑的模型compactmdl.。

vars = whos（'compactmdl'那'mdl'）;[vars（1）.bytes，vars（2）.bytes]
ans =.1×281537 11408528

紧凑型模型消耗比完整模型更少的内存。

扩展能力

也可以看看

|||

话题

在R2016A介绍

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习：使用MATLAB逐步指南

掌握机器学习：使用MATLAB逐步指南

下载电子书