为了通过中维数据集的低维度更高,适用于线性回归模型fitlm
.
为减少计算时间在高维数据集,拟合线性回归模型使用fitrlinear
.
回归学习者 | 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 |
CompactLinearModel |
紧凑线性回归模型 |
RegressionLinear |
高维数据的线性回归模型 |
回归分支机构 |
高维数据交叉验证的线性回归模型 |
回归模型描述了从属变量和一个或多个独立变量之间的关系。
拟合一个线性回归模型并检验结果。
在逐步回归中,预测因子被自动添加到模型中或从模型中删除。
拟合一个鲁棒模型,它比普通最小二乘对小部分数据的大变化不那么敏感。
根据回归问题的类型选择回归功能,并使用新的拟合功能更新遗留码。
通过使用模型属性和对象功能来评估拟合模型。
威尔金森表示法提供了一种描述回归和重复度量模型而不指定系数值的方法。
导入和准备数据,适合线性回归模型,测试和提高其质量,并分享模型。
显示和解释线性回归输出统计数据。
构建并分析具有交互作用的线性回归模型,并解释结果。
这个例子展示了如何使用表格执行线性和逐步回归分析。
使用分类数组和使用分类协变量执行回归fitlm
.
这个例子展示了如何使用timeseries
对象和对象回归
函数。
使用线性回归模型训练fitlm
分析内存数据和内存失控数据。
偏最小二乘(Partial least squares, PLS)将原预测变量的线性组合构造新的预测变量,同时考虑观测响应值,从而得到一个具有可靠预测能力的简约模型。
本实例展示了如何应用偏最小二乘回归(PLSR)和主成分回归(PCR),并讨论了这两种方法的有效性。