回帰モデルの学習を行い,線形単純モデルを使用する石灰
オブジェクトを作成します。石灰
オブジェクトを作成するときに,クエリ点と重要な予測子の数を指定しなかった場合,ソフトウェアは合成データセットの標本を生成しますが,単純モデルのあてはめは行いません。オブジェクト関数适合
を使用して,クエリ点に単純モデルをあてはめます。次に,オブジェクト関数情节
を使用して,あてはめた線形単純モデルの係数を表示します。
carbig
データセットを読み込みます。このデータセットには,1970年代と1980年代初期に製造された自動車の測定値が格納されています。
加速度
、气缸
などの予測子変数と応答変数英里/加仑
が格納された表を作成します。
学習セットの欠損値を削除すると,メモリ消費量を減らして関数fitrkernel
の学習速度を向上させることができます。资源描述
の欠損値を削除します。
资源描述
から応答変数を削除して,予測子変数のテーブルを作成します。
関数fitrkernel
を使用して英里/加仑
の黑箱モデルの学習を行います。
石灰
オブジェクトを作成します。mdl
には予測子データが含まれないため,予測子データセットを指定します。
结果=石灰与属性:BlackboxModel: [1 x1 RegressionKernel] DataLocality:“全球”CategoricalPredictors:[2 5]类型:“回归”X: [392 x6表]QueryPoint: [] NumImportantPredictors: [] NumSyntheticData: 5000 SyntheticData: [5000 x6表)安装:x1双[5000]SimpleModel: [] ImportantPredictors: [] BlackboxFitted:[] SimpleModelFitted: []
结果
には,生成された合成データセットが含まれます。SimpleModel
プロパティは空([]
)です。
tblX
の最初の観測値に線形単純モデルをあてはめます。検出する重要な予測子の数を3に指定します。
queryPoint =1×6表加速气缸位移马力Model_Year重量 ____________ _________ ____________ __________ __________ ______ 12 8 307 130 70 3504
オブジェクト関数情节
を使用して,石灰
オブジェクト结果
をプロットします。予測子名に含まれるアンダースコアを表示するには,座標軸のTickLabelInterpreter
値を“没有”
に変更します。
プロットには,クエリ点についての2つの予測値が示されています。この予測値は,结果
のBlackboxFittedプロパティとSimpleModelFittedプロパティに対応します。
横棒グラフは,絶対値で並べ替えられた,単純モデルの係数値を示します。石灰は,クエリ点の重要な予測子として,马力
、Model_Year
,および气缸
を見つけます。
Model_Year
および气缸
は複数のカテゴリをもつカテゴリカル予測子です。線形単純モデルの場合,各カテゴリカル予測子について,カテゴリの数よりも1つ少ないダミー変数が作成されます。棒グラフには最も重要なダミー変数のみが表示されます。他のダミー変数の係数は结果
のSimpleModel
プロパティを使用して確認できます。すべてのカテゴリカル ダミー変数を含む並べ替えられた係数の値を表示します。
ans =17×2表Exteded预测名字系数 __________________________ ___________ {' -3.4485马力的}e-05 {Model_Year(74和70)的}-6.1279 e-07{“Model_Year(80和70)的}-4.015 e-07{“Model_Year(81和70)的}3.4176 e-07{“Model_Year(82和70)的}-2.2483 e-07{的圆柱体(6和8)}-1.9024 e-07{“Model_Year(76和70)的}1.8136 e-07{圆柱体(5 vs。8)'} 1.746e -07 {'Model_Year (75 vs. 70)'} 1.5456e-07 {'Model_Year (77 vs. 70)'} 1.4272e-07 {'Model_Year (78 vs. 70)'} 6.7001e-08 {'Model_Year (72 vs. 70)'} 4.7214e-08 {' cylinder (4 vs. 8)'} 4.518e -08 {'Model_Year (79 vs. 70)'} -2.2598e-08⋮