描述数学关系并从实验数据中进行预测
线性回归是一种统计建模技术,用于描述作为一个或多个预测变量的函数的连续响应变量。它可以帮助您理解和预测复杂系统的行为或分析实验,财务和生物数据。
线性回归技术用于创建线性模型。该模型描述了从属变量\(y \)(也称为响应)之间的关系作为一个或多个独立变量\(x_i \)的函数(称为预测器)。线性回归模型的一般方程是:
\ [y = \ beta_0 + \ sum \ \ beta_i x_i + \ epsilon_i \]
其中\(\ beta \)表示要计算的线性参数估计值,\(\ epsilon \)表示错误术语。
线性回归的类型
简单的线性回归:仅使用一个预测器的模型。一般方程是:
\ [y = \ beta_0 + \ beta_i x + \ epsilon_i \]
多元线性回归:使用多个预测器的模型。此回归具有多个\(x_i \)来预测响应,\(y \)。这个等式的一个例子是:
\ [y = \ beta_0 + \ beta_1 x_1 + \ beta_2 x_2 + \ epsilon \]
多变量线性回归:多个响应变量的模型。此回归具有从相同数据\(x \)的多个\(y_i \)。它们以不同的公式表达。具有2方程的该系统的示例是:
\ [y_1 = \ beta___ {01} + \ beta_ {11} x_1 + \ epsilon_1 \]
\ [y_2 = \ beta__ {02} + \ beta__ {1 2} x_1 + \ epsilon_2 \]
多变量多线性回归:使用多个预测器进行多个响应变量的模型。此回归具有多个\(x_i \)来预测多个响应\(y_i \)。方程的概括是:
线性回归的应用
线性回归具有一些属性,使它们对以下应用程序非常有趣:
- 预测或预测 - 使用回归模型来构建特定数据集的预测模型。从模型中,您可以使用回归来预测仅在响应值中已知的响应值。
- 回归的强度 - 使用回归模型来确定变量与预测的关系是否存在关系,以及这种关系的强烈。
与matlab线性回归
工程师通常创建简单的线性回归模型马铃薯。对于多变量和多变量的线性回归,可以使用统计和机器学习工具箱™来自matlab。它可以逐步,强大,多变量回归:
- 生成预测
- 比较线性模型适合
- 绘制残差
- 评估良好健康
- 检测异常值
创建一个适合您数据的曲线和曲面的线性模型,请参阅曲线配件工具箱™。