正则化

山脊回归，套索，弹性网

为了在低到中维数据集上获得更高的精度和链接函数选择，使用套索惩罚拟合广义线性模型lassoglm．

为了减少高维数据集上的计算时间，使用以下方法训练二元线性分类模型，如正则化logistic回归模型fitclinear．您还可以使用使用有效地训练由逻辑回归模型组成的多类错误纠正输出代码(ECOC)模型fitcecoc．

对于大数据的非线性分类，使用正则化逻辑回归训练二元高斯核分类模型fitckernel．

类

`ClassificationLinear`	用于高维数据二值分类的线性模型
`ClassificationECOC`	支持向量机(SVMs)和其他分类器的多类模万博1manbetx型
`ClassificationKernel`	利用随机特征展开的高斯核分类模型
`ClassificationPartitionedLinear`	交叉验证线性模型用于高维数据的二值分类
`ClassificationPartitionedLinearECOC`	用于高维数据多类分类的交叉验证线性纠错输出码模型

lassoglm 广义线性模型的套索或弹性网正则化

`fitclinear`	对高维数据拟合线性分类模型
`templateLinear`	线性分类学习模板
`fitcecoc`	适合支持向量机或其他分类器的多类模型万博1manbetx
`预测`	预测线性分类模型的标签
`fitckernel`	利用随机特征展开拟合高斯核分类模型
`预测`	预测高斯核分类模型的标签

识别并去除广义线性模型中的冗余预测器。

规范二项式回归。

用比观测更多的预测因子规范模型。

套索算法产生的模型更小，预测量更少。当预测因子高度相关时，相关的弹性网算法可以更准确。

下载电子书