RegressionLinear类

线性回归模型用于高维数据

扩大所有页面

描述

RegressionLinear为回归一个训练有素的线性模型对象;线性模型是一个支持向量机回归（SVM）或线性万博1manbetx回归模型。fitrlinear配合一RegressionLinear通过最小化使用减少计算时间为高维数据集（例如，随机梯度下降）技术的目标函数模型。回归损失加上调整项组成的目标函数。

不像其他的回归模型，并为经济的内存使用情况，RegressionLinear模型对象不存储训练数据。然而，他们这样做店为例，估计线性模型的系数，系数估计值，以及正规化强度。

您可以使用受训RegressionLinear模型预测新数据的反应。有关详细信息，请参阅预测。

施工

创建一个RegressionLinear通过使用对象fitrlinear。

属性

展开全部

线性回归属性

的ε-不敏感带的宽度，指定为一个非负的标量的一半。

如果学习者不是'SVM'， 然后小量是一个空数组（[]）。

数据类型：单|双

正则化项的强度，指定为非负的值的非负标量或矢量。

数据类型：双|单

线性回归模型类型，指定为“最小二乘法”要么'SVM'。

在该表中， F （ X ） = X β + b 。

  • β是的向量p系数。

  • X是从观察p预测变量。

  • b是标量偏差。

值 算法 损失函数 FittedLoss值
“最小二乘法” 通过普通最小二乘线性回归 均方误差（MSE）： ℓ [ ÿ ， F （ X ） ] = 1 2 [ ÿ - F （ X ） ] 2 'MSE'
'SVM' 万博1manbetx支持向量机回归 小量不敏感： ℓ [ ÿ ， F （ X ） ] = 最大 [ 0 ， | ÿ - F （ X ） | - ε ] 'epsiloninsensitive'

线性系数估计，指定为与长度的数字矢量等于预测的数量。

数据类型：双

估计的偏置术语或模型截距，指定为数值标量。

数据类型：双

损失函数用来拟合模型，指定为'epsiloninsensitive'要么'MSE'。

值 算法 损失函数 学习者值
'epsiloninsensitive' 万博1manbetx支持向量机回归 小量不敏感： ℓ [ ÿ ， F （ X ） ] = 最大 [ 0 ， | ÿ - F （ X ） | - ε ] 'SVM'
'MSE' 通过普通最小二乘线性回归 均方误差（MSE）： ℓ [ ÿ ， F （ X ） ] = 1 2 [ ÿ - F （ X ） ] 2 “最小二乘法”

复杂性惩罚类型，指定为'套索（L1）'要么'脊（L2）'。

该软件组成从平均损失函数的和最小化的目标函数（见FittedLoss），并从该表中的正则化的值。

值 描述
'套索（L1）' 套索（大号1）罚款： λ Σ Ĵ = 1 p | β Ĵ |
'脊（L2）' 里奇（大号2）罚款： λ 2 Σ Ĵ = 1 p β Ĵ 2

λ指定正则长期强度（见LAMBDA）。

该软件不包括偏项（β0）从正规化处罚。

其它回归属性

用于训练参数RegressionLinear建模，指定为结构。

接入领域ModelParameters使用点符号。例如，访问线性系数的相对公差，并通过使用偏差项Mdl.ModelParameters.BetaTolerance。

数据类型：结构

在他们出现的顺序预测名称的预测数据X，指定为字符向量的单元阵列。长度PredictorNames等于列的数量X。

数据类型：细胞

扩展预测器名，指定为字符向量的单元阵列。

由于RegressionLinear模型不支持分类预测，万博1manbetxExpandedPredictorNames和PredictorNames是相等的。

数据类型：细胞

响应变量名，指定为字符向量。

数据类型：烧焦

响应转换功能，指定为'没有'或功能句柄。ResponseTransform介绍了软件如何将原始响应值。

对于MATLAB®功能，或者您定义的功能，进入它的功能句柄。例如，您可以输入Mdl.ResponseTransform = @功能，其中功能接受原始响应的数值向量，并返回包含转化的反应的相同大小的数值向量。

数据类型：烧焦|function_handle

方法

失利 线性回归模型回归损失
预测 预测线性回归模型的响应
selectModels 选择安装正规化线性回归模型

复制语义

值。要了解值类如何影响复制操作，请参阅复制对象（MATLAB）。

例子

全部收缩

开立真实脚本

列车采用SVM，双SGD和屋脊正线性回归模型。

从这个模型模拟10000点意见

ÿ = X 1 0 0 + 2 X 2 0 0 + Ë 。

  • X = X 1 ， 。 。 。 ， X 1 0 0 0 是用10％的非零标准正常元件10000通过-1000稀疏矩阵。

  • Ë是均值为0，标准偏差0.3随机正常的错误。

RNG（1）％用于重现N = 1E4;d = 1E3;NZ = 0.1;X = sprandn（N，d，NZ）;Y = X（：，100）+ 2 * X（：，200）+ 0.3 * randn（N，1）;

列车线性回归模型。默认，fitrlinear用途支持使万博1manbetx用双SGD用于SVM与脊罚向量机，并优化。确定优化算法以及如何通过提取适合总结拟合模型的数据。

[铜牌，FitInfo] = fitrlinear（X，Y）
MDL = RegressionLinear ResponseName： 'Y' ResponseTransform： '无' 测试版：[1000x1双]偏差：-0.0056 LAMBDA：1.0000e-04学习者： 'SVM' 的属性，方法
FitInfo =同场的结构：LAMBDA：1.0000e-04目的：0.2725 PassLimit：10个NumPasses：10 BatchLimit：[] NumIterations：100000 GradientNorm：NaN的GradientTolerance：0 RelativeChangeInBeta：0.4907 BetaTolerance：1.0000e-04 DeltaGradient：1.5816 DeltaGradientTolerance：0.1000 TerminationCode：0 TerminationStatus：{”迭代限制超标 '}阿尔法：[10000x1双]历史：[] FitTime：0.7623求解：{' 双反'}

MDL是RegressionLinear模型。你可以通过MDL与培训或新数据失利检查样本中均方误差。或者，你可以通过MDL而新的预测数据预测预测新的观测回应。

FitInfo是含有结构阵列，除其他事项外，终止状态（TerminationStatus），并求解了很长时间才适应模型与数据（FitTime）。这是很好的做法是使用FitInfo确定优化终止测量是否令人满意。在这种情况下，fitrlinear达到迭代的最大数量。由于训练时间快，可以重新训练模式，而是通过数据增加遍数。或者，尝试另一种解算器，如LBFGS。

开立真实脚本

从这个模型模拟10000点意见

ÿ = X 1 0 0 + 2 X 2 0 0 + Ë 。

  • X = { X 1 ， 。 。 。 ， X 1 0 0 0 } 是用10％的非零标准正常元件10000通过-1000稀疏矩阵。

  • Ë是均值为0，标准偏差0.3随机正常的错误。

RNG（1）％用于重现N = 1E4;d = 1E3;NZ = 0.1;X = sprandn（N，d，NZ）;Y = X（：，100）+ 2 * X（：，200）+ 0.3 * randn（N，1）;

抱出数据的5％。

RNG（1）;％用于重现CVP = cvpartition（N，'坚持'，0.05）
CVP =保持法交叉验证分区NumObservations：10000个NumTestSets：1 TrainSize：9500 TestSize：500

CVP是CVPartition对象定义的所述随机分区ñ数据为训练和测试集。

列车采用训练集的线性回归模型。为了更快的训练时间，定位预测数据矩阵，以便观察在列。

idxTrain =训练（CVP）;％提取训练集指标X = X';MDL = fitrlinear（X（：，idxTrain），Y（idxTrain），'ObservationsIn'，'列'）;

预测意见和保持了样品的均方误差（MSE）。

idxTest =试验（CVP）;％提取测试集指标yHat =预测（MDL，X（：，idxTest），'ObservationsIn'，'列'）;L =损失（MDL，X（：，idxTest），Y（idxTest），'ObservationsIn'，'列'）
L = 0.1851

在保持了样品MSE是0.1852。

扩展功能

也可以看看

|||

介绍了在R2016a

统计和机器学习工具箱文档
万博1manbetx
掌握机器学习：有步骤，分步指南与MATLAB

掌握机器学习：有步骤，分步指南与MATLAB

下载电子书