文档帮助中心
回归模型描述响应(输出)变量和一个或多个预测(输入)变量之间的关系。统计和机器学习工具箱™ 允许您拟合线性、广义线性和非线性回归模型,包括逐步模型和混合效应模型。拟合模型后,可以使用该模型预测或模拟响应,使用假设测试评估模型拟合,或使用图可视化诊断、残差和交互效应。
统计和机器学习工具箱还提供非参数回归方法,以适应更复杂的回归曲线,而无需使用预定回归函数指定响应和预测值之间的关系。您可以使用经过训练的模型预测新数据的响应。高斯过程回归模型还允许您计算预测间隔。
使用glmfit和格林瓦尔.
glmfit
格林瓦尔
对逻辑回归模型进行贝叶斯推断,使用slicesample.
slicesample
拟合非线性回归模型的数据与非常数误差方差。
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。当存在大量预测变量时,PLSR和PCR都是对响应变量建模的方法,并且这些预测变量高度相关甚至共线。这两种方法都将新的预测变量(称为分量)构造为原始预测变量的线性组合变量,但它们以不同的方式构造这些组件。PCR创建组件来解释预测变量中观察到的可变性,而根本不考虑响应变量。另一方面,PLSR确实考虑了响应变量,因此通常导致能够拟合响应变量的模型在实际应用方面,这是否最终转化为一个更为节省的模型取决于上下文。
使用菲特罗托在给定训练预测值和响应数据的情况下,自动尝试选择具有不同超参数值的回归模型类型。
菲特罗托
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。万博1manbetx
选择一个网站以获取翻译后的内容(如果可用),并查看本地活动和优惠。根据您的位置,我们建议您选择:.
您还可以从以下列表中选择网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家/地区网站未针对您所在地的访问进行优化。
联系当地办事处