回归的学习者 | 使用监督机器学习训练回归模型来预测数据 |
LinearModel |
线性回归模型 |
紧凑线性模型 |
紧线性回归模型 |
回归线性 |
高维数据的线性回归模型 |
RegressionPartitionedLinear |
高维数据的交叉验证线性回归模型 |
回归模型描述一个因变量和一个或多个自变量之间的关系。
拟合线性回归模型并检查结果。
在逐步回归中,预测因子会自动添加到模型中或从模型中删除。
拟合一个稳健的模型,该模型比普通最小二乘法对小部分数据的大变化更不敏感。
根据回归问题的类型选择回归函数,并使用新的拟合函数更新遗留代码。
利用模型属性和对象函数对拟合模型进行评估。
威尔金森表示法提供了一种描述回归和重复测量模型的方法,无需指定系数值。
导入并准备数据,拟合线性回归模型,检验并提高模型质量,共享模型。
显示和解释线性回归输出统计信息。
构建并分析具有交互效应的线性回归模型,并解释结果。
此示例演示如何使用表格执行线性和逐步回归分析。
使用分类数组和菲特姆
.
此示例演示如何使用时间序列
对象和倒退
功能。
使用菲特姆
分析内存中的数据和内存外的数据。
偏最小二乘法(PLS)将新的预测变量构造为原始预测变量的线性组合,同时考虑观察到的响应值,从而形成具有可靠预测能力的简约模型。
应用偏最小二乘回归(PLSR)和主成分回归(PCR),探讨两种方法的有效性。