glmval
广义线性模型值
语法
yhat = glmval (b, X,链接）
[yhat, dylo dyhi] = glmval (b, X,链接统计数据)
[．..] = glmval(…param1，val1，param2，val2,……)
描述
yhat = glmval (b, X,计算带有链接函数的广义线性模型的预测值链接）链接和预测X．不同的预测变量应该出现在不同的列X．b是系数估计值的向量吗glmfit函数。链接对象的值可以是任意字符向量、字符串标量或自定义链接函数“链接”的名称-值对参数glmfit函数。
请注意
默认情况下,glmval加上1的第一列X，对应于模型中的常数项。不直接进入一列的1X．可以修改的默认行为glmval使用“不变”参数。
[yhat, dylo dyhi] = glmval (b, X,同时计算预测值的95%置信范围。当链接统计数据)统计数据结构输出glmfit指定函数,dylo和dyhi也回来了。dylo和dyhi定义的置信下限yhat-dylo的上置信界yhat + dyhi．置信界限是非同步的，并且适用于拟合曲线，而不是新观测。
[．..] = glmval(…指定可选参数名称/值对来控制预测值。可接受的参数如下表所示:param1，val1，param2，val2,……)
| 参数 | 价值 |
|---|---|
|
在0和1之间的标量 |
|
一个标量，或X的每一行都有一个值的向量 |
|
一个向量 |
“不变” |
|
“同时”-计算同时置信区间(真正的)，或计算非同时置信区间(默认值)假） |
真正的或假 |
例子
用Probit Link拟合广义线性模型
拟合一个广义线性回归模型，并使用拟合模型计算预测数据的预测值(估值)。
创建一个示例数据集。
X = [2100 2300 2500 2700 2900 3100.．.3300 3500 3700 3900 4100 4300]';N = [48 42 31 34 31 21 23 23 21 16 17 21]';Y = [1 2 0 3 8 8 14 17 19 15 17 21];
x包含预测变量值。每一个y值是在相应的试验中成功的次数n．
拟合probit回归模型y在x．
B = glmfit(x，[y n])，“二”，“链接”，“probit”）;
计算估计的成功次数。
yfit = glmval (b, x,“probit”，“大小”n);
绘制观察到的成功率和估计的成功率对比x值。
情节(x, y / n,“o”, x, yfit. / n,“- - -”）
使用自定义链接函数
输入样本数据。
X = [2100 2300 2500 2700 2900 3100.．.3300 3500 3700 3900 4100 4300]';N = [48 42 31 34 31 21 23 23 21 16 17 21]';Y = [1 2 0 3 8 8 14 17 19 15 17 21];
每一个y值是在相应的试验中成功的次数n,x包含预测变量值。
定义三个由using创建的函数句柄＠，定义了连杆、连杆的导数和probit连杆函数的反连杆。将句柄存储在单元格数组中。
链接= @(mu) norminv(mu);Derlink = @(mu) 1 ./ normpdf(norminv(mu));inlink = @(resp) normcdf(resp);F = {link, derlink, invlink};
拟合广义线性模型y在x通过使用您定义的链接函数。
B = glmfit(x，[y n])，“二”，“链接”F);
计算估计的成功次数。将观察到的和估计的成功百分比与x值。
yfit = glmval (F b, x,,“大小”n);情节(x, y / n,“o”, x, yfit. / n,“- - -”，“线宽”, 2)
从函数中生成代码，预测给定新数据的响应
训练一个广义线性模型，然后从一个函数生成代码，该函数根据模型对新的观测进行分类。这个例子是基于使用自定义链接函数的例子。
输入示例数据。
X = [2100 2300 2500 2700 2900 3100.．.3300 3500 3700 3900 4100 4300]';N = [48 42 31 34 31 21 23 23 21 16 17 21]';Y = [1 2 0 3 8 8 14 17 19 15 17 21];
假设反标准pdf是一个合适的链接函数的问题。
定义一个名为myInvNorm.m接受
并返回标准标准cdf的倒数对应的值。
函数= myInvNorm(亩)% # codegen%myInvNorm用于代码生成的标准标准cdf的倒数% myInvNorm是一个GLM链接函数，它接受一个数字向量mu，和属性的对应值的数字向量标准正常cdf的倒数%。％在= norminv(μ);结束
定义另一个名为myDInvNorm.m接受并返回相应的链接函数的导数值。
函数喧嚣= myDInvNorm(亩)% # codegen代码的标准法线cdf的逆的导数%的一代% mydinnorm对应GLM链接函数的导数% myInvNorm。mydinnorm接受一个数字向量mu，并返回din，%，它是对应逆函数导数的数值向量%标准正常cdf。％喧嚣= 1. / normpdf (norminv(μ));结束
定义另一个名为myInvInvNorm.m接受并返回链接函数的逆函数对应的值。
函数含= myInvInvNorm(亩)% # codegen%myInvInvNorm用于代码生成的标准标准cdf% myInvInvNorm是GLM链接函数myInvNorm的逆函数。% myInvInvNorm接受一个数字向量mu，并返回iin，它是一个标准法线cdf对应值的数字向量。％含= normcdf(μ);结束
创建指定每个链接函数的结构数组。具体来说，结构数组包含以下字段“链接”，“衍生品”,“逆”．对应的值是函数的名称。
链接=结构(“链接”，“myInvNorm”，“衍生品”，“myDInvNorm”，.．.“逆”，“myInvInvNorm”）
link = struct with fields: link: 'myInvNorm' Derivative: 'myInvNorm' Inverse: 'myInvNorm'
适合一个GLMy在x使用link函数链接．返回统计信息的结构数组。
[b，~，stats] = glmfit(x，[y n]， x, y n)“二”，“链接”,链接);
b是一个2乘1的回归系数向量。
在当前工作文件夹中，定义一个被调用的函数classifyGLM.m:
接受与中对应的列的度量
x，其维数对应的回归系数b，一个链接函数，GLM的结构统计，以及任何有效的glmval名称-值对的观点返回预测和置信区间误差
函数[yhat,嗨]= classifyGLM (b, x,链接,变长度输入宗量)% # codegen使用GLM模型对测量进行分类% CLASSIFYGLM对n × 1向量x中的n个观测值进行分类%具有回归系数b和link函数link，%，然后返回以yhat表示的预测值的n × 1向量。% CLASSIFYGLM还返回使用的预测的误差幅度% GLM统计结构stats中的附加信息。narginchk(3正);如果isstruct(varargin{1})) stats = varargin{1};[yhat,嗨]= glmval (b, x,链接,统计,变长度输入宗量{2:结束});其他的yhat = glmval (b, x,链接,变长度输入宗量{:});结束结束
生成一个MEX函数classifyGLM.m．因为C使用静态类型，codegen必须在编译时确定MATLAB®文件中所有变量的属性。要确保MEX函数可以使用相同的输入，请使用arg游戏参数按给定的顺序指定以下内容:
回归系数
b作为编译时常量样本的观察
x链接函数作为编译时常量
生成的GLM统计信息作为编译时常量
的名字
“信心”作为编译时常量置信水平0.9
要将参数指定为编译时常量，请使用编码器。常数．
codegen配置:墨西哥人classifyGLMarg游戏{coder.Constant (b), x, coder.Constant(链接),coder.Constant(统计),coder.Constant(信心),0.9}
代码生成成功。
codegen生成MEX文件classifyGLM_mex.mexw64在当前文件夹中。文件扩展名取决于您的系统平台。
通过使用glmval和classifyGLM_mex．的顺序指定名称-值对参数arg游戏参数codegen．
[yhat1, melo1 mehi1] = glmval (b, x,链接,统计数据,“信心”, 0.9);[yhat2, melo2 mehi2] = classifyGLM_mex (b, x,链接,统计数据,“信心”, 0.9);= (yhat1 - yhat2)'*(yhat1 - yhat2);/ / / / / / / / / / / /= = (mehi1 - mehi2)'; / / (mehi1 - mehi2)< eps
Agree1 = logical 1 agree2 = logical 1 agree3 = logical 1
生成的MEX函数生成的预测与预测．
参考文献
多布森广义线性模型导论．纽约:查普曼与霍尔出版社，1990。
P. McCullagh和J. A. Nelder。广义线性模型．纽约:查普曼与霍尔出版社，1990。
[3] Collett D。二进制数据建模．纽约:查普曼与霍尔出版社，2002年出版。
扩展功能
你也可以从以下列表中选择一个网站:
