为了通过中维数据集对低维度的更高的准确性和链路功能选择,适用于普遍的线性回归模型Fitglm.
。对于多项式逻辑回归,适合模型使用MnRfit.
。
为了减少高维数据集的计算时间,通过使用培训二进制,线性分类模型,例如逻辑回归模型,FitClinear.
。您也可以通过使用Fitcecoc.
。
对于具有大数据的非线性分类,使用Logistic回归培训二进制,高斯内核分类模型Fitconnelel.
。
广义线性模型使用线性方法来描述预测器术语与响应变量之间的潜在非线性关系。
符合广义的线性模型并分析结果。
使用和评估广义线性模型的使用glmfit.
和glmval.
。
创建和比较逻辑回归分类器,并导出培训的模型来对新数据进行预测。
Wilkinson表示法提供了一种描述回归和重复测量模型的方法,而无需指定系数值。
标称响应变量具有限制可能的值集,不会在它们之间无自然顺序。标称响应模型解释并预测观察在每个类别的分类响应变量中的概率。
序数响应变量具有落入自然秩序的受限制可能的值集。序数响应模型描述了类别和预测变量的累积概率之间的关系。
分层多项式响应变量(也称为顺序或嵌套多项响应)具有落入分层类别的受限制可能的值集。分层多项式回归模型是基于条件二进制观察的二进制回归模型的扩展。