选择墨西哥

班级：回归线性

选择安装的正则线性回归模型

展开所有页面

句法

SubmDL = SelectModels（MDL，IDX）

描述

例子

子达= SelectModels（MDL.那idx.）从一组线性回归模型返回培训的线性回归模型的子集（MDL.）使用各种正则化强度培训。指数idx.对应于正则化优势mdl.lambda.，并指定要返回的模型。

输入参数

展开全部

`MDL.`-使用各种正则化强度训练的线性回归模型
`回归线性`模型对象

使用各种正则化强度训练的线性回归模型，指定为a回归线性模型对象。你可以创建一个回归线性模型对象使用Fitrinear.。

虽然MDL.是一个模型对象，如果numel（mdl.lambda）=L.≥2，然后你可以想到MDL.作为L.训练有素的型号。

`idx.`-对应于正则化优势的指标
正整数的数字矢量

与正则化强度相对应的索引，指定为正整数的数字矢量。价值idx.必须处于间隔[1，L.]，在哪里L.=numel（mdl.lambda）。

数据类型：双倍的|单身的

输出参数

展开全部

`子达`- 使用各种正则化强度训练的线性回归模型的子集
`回归线性`模型对象

使用各种正则化强度训练的线性回归模型的子集，作为a返回回归线性模型对象。

例子

展开全部

使用回归损失找到良好的套索惩罚

打开直播脚本

模拟此模型的10000个观察

$y = X_{1 0. 0.} + 2 X_{2 0. 0.} + E. 。$

$X = {X_{1} 那。。。那 X_{1 0. 0. 0.}}$ 是10000×1000次稀疏矩阵，具有10％的非零标准正常元素。
E.随机正常误差，平均值0和标准偏差0.3。

RNG（1）重复性的％n = 1E4;d = 1e3;nz = 0.1;x = sprandn（n，d，nz）;y = x（：，100）+ 2 * x（:,200）+ 0.3 * randn（n，1）;

创建一组15个对数间隔的正则化强度 $1 {0.}^{- 4.}$ 通过 $1 {0.}^{- 1}$ 。

lambda = logspace（-4，-1,15）;

持有30％的测试数据。识别测试样品指标。

cvp = cvpartition（numel（y），'坚持'，0.30）;iDxtest =测试（CVP）;

使用套索惩罚与强度的惩罚训练线性回归模型lambda.。指定正则化强度，使用sparara和数据分区优化目标函数。为了提高执行速度，转换预测器数据并指定观察中的观察。

x = x';cvmdl = fitrinear（x，y，'观察'那'列'那'lambda'，lambda，......'求解'那'sparsa'那'正规化'那'套索'那'cvpartition'，CVP）;mdl1 = cvmdl.tromed {1};numel（mdl1.lambda）

ans = 15.

MDL1是A.回归线性模型。因为lambda.是一个15维矢量的正规化优势，你可以想到MDL1作为15个培训的模型，一个用于每个正则化强度。

估计每个正则化模型的测试样本均方误差。

MSE =损失（MDL1，x（：，iDxtest），y（iDxtest），'观察'那'列'）;

更高的值lambda.导致预测值变稀物质，这是一种回归模型的良好质量。使用整个数据集和先前使用的所有选项重新培制模型，除了数据分区规范。确定每个模型的非零系数的数量。

mdl = fitrineear（x，y，'观察'那'列'那'lambda'，lambda，......'求解'那'sparsa'那'正规化'那'套索'）;numnzcoeff = sum（mdl.beta〜= 0）;

在同一图中，为每个正则化强度绘制非零系数的MSE和频率。绘制日志比例上的所有变量。

数字;[h，hl1，hl2] = plotyy（log10（lambda），log10（mse），......log10（lambda），log10（numnzcoeff））;HL1.Marker ='o';HL2.Marker =.'o';ylabel（h（1），'log_ {10} mse'）Ylabel（H（2），'log_ {10}非零系数频率'）xlabel（'log_ {10} lambda'） 抓住离开

图包含2个轴。轴1包含类型线的对象。轴2包含类型线的对象。

选择索引或指数lambda.平衡最小分类误差和预测器变稀物质（例如，Lambda（11））。

Idx = 11;mdlfinal = SelectModels（MDL，IDX）;

mdlfinal.是训练有素的回归线性使用的模型对象Lambda（11）作为正规化的力量。

尖端

构建多个预测线性回归模型的一种方法是：

保持一部分数据进行测试。
使用线性回归模型使用Fitrinear.。使用使用的规范正则化强度网格'lambda.'名称值对参数和提供培训数据。Fitrinear.返回一个回归线性模型对象，但它包含每个正则化强度的型号。
要确定每个正则化模型的质量，请将返回的模型对象和已停留数据传递给，例如，失利。
确定指数（idx.）令人满意的正则化模型子集，然后通过返回的模型和索引选择墨西哥。选择墨西哥返回一个回归线性模型对象，但它包含numel（Idx）正规模型。
预测新数据的类标签，将数据和正则化模型的子集传递给预测。