主要内容

多元线性回归

与多个预测变量的线性回归

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

应用程序

回归学习者 使用监督机器学习训练回归模型来预测数据

对象

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

功能

全部展开

创造linearmodel.目的

fitlm 拟合线性回归模型
步骤行程 进行逐步回归

创造CompactLinearModel目的

袖珍的 紧凑线性回归模型

从线性模型添加或删除术语

addTerms 向线性回归模型中添加项
removeTerms 从线性回归模型中移除项
一步 通过增加或删除项来改进线性回归模型

预测的反应

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 模拟线性回归模型的随机噪声响应

评估线性模型

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
coefTest 线性回归模型系数的线性假设检验
dwt Durbin-Watson测试用线性回归模型对象
partialDependence 计算部分依赖

可视化线性模型和汇总统计

情节 线性回归模型的散点图或附加变量图
plotAdded 增加线性回归模型的变量图
plotadjustedresponse. 线性回归模型的调整后响应图
plotDiagnostics 情节观察诊断线性回归模型
plotEffects 绘制预测因子在线回归模型的主要效果
plotInteraction 绘制两种预测因子在线性回归模型中的交互效应
绘图竞争依赖性 创建部分依赖图(PDP)和个人条件期望图(ICE)
plotresivs 绘制线性回归模型的残差
plotSlice 通过拟合线性回归曲面绘制切片

采集线性模型的属性

收集 采集线性或广义线性回归模型的属性

创建对象

fitrlinear 将线性回归模型适合高维数据

一起工作RegressionLinear目的

预测 线性回归模型的响应
损失 线性回归模型的回归损失
partialDependence 计算部分依赖
绘图竞争依赖性 创建部分依赖图(PDP)和个人条件期望图(ICE)
选择墨西哥 选择拟合正则化线性回归模型

一起工作回归分支机构目的

kfoldLoss 未用于训练的观察的回归损失
kfoldPredict 预测未用于培训的观察的响应

适合并评估线性回归

dwt 剩余输入的Durbin-Watson测试
invresf. 逆预测
linhyptest 线性假设试验
plsregress. 部分最小二乘回归
回归 多元线性回归
regstats. 回归诊断
refieff. 使用Relieff或Rrelieff算法排名预测器的重要性
robustfit. 拟合稳健线性回归
stepwisefit 使用逐步回归适用线性回归模型

准备数据

X2FX. 将预测矩阵转换为设计矩阵
dummyvar 创建虚拟变量

互动工具

robustdemo. 交互式强大的回归
rsmdemo 交互响应面演示
rstool 交互式响应曲面建模
逐步 交互式逐步回归

主题

线性回归简介

什么是线性回归模型?

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。

线性回归

拟合一个线性回归模型并检验结果。

逐步回归

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。

使用强大的回归减少异常效果

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。

选择回归函数

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。

输出和诊断统计的摘要

通过使用模型属性和对象功能来评估拟合模型。

威尔金森符号

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。

线性回归工作流程

线性回归的工作流

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。

解释线性回归结果

显示和解释线性回归输出统计数据。

具有交互效应的线性回归

构建并分析具有交互作用的线性回归模型,并解释结果。

使用表格进行线性回归

这个例子展示了如何使用表格执行线性和逐步回归分析。

具有范畴协变量的线性回归

使用分类数组和使用分类协变量执行回归fitlm

分析时间序列数据

这个例子展示了如何使用timeseries对象和对象回归函数。

火车线性回归模型

使用线性回归模型训练fitlm分析内存数据和内存失控数据。

偏最小二乘回归

偏最小二乘

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。

部分最小二乘回归和主成分回归

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。