Al desarrollar un modelo de regresión de alta calidad, es importante seleccionar las características (o predictores) correctos, ajustar los hiperparámetros (parámetros del modelo no ajustados a los datos) y evaluar los supuestos del modelo a través de diagnósticos de valores residales。

天堂之星hiperparámetros中间的iteraciones entre la selección de los valores para los mismos y la realización de una validación cruzada de un modelo con sus propias opciones。Este proeso arroja变化的模型和主要的puede ser el que最小误差generalización估计。Por ejemplo, para ajustar un model - SVM, elija un conjunto de restricciones de cajas y escalas de kernel, realice una validación cruzada de modelo para cada par de valores y, después，比较las estimacones de los error cuadráticos medios con validación cruzada de 10迭代。

Determinadas funciones de regresión no paramétricas de Statistics and Machine Learning Toolbox™ofrecen además un ajuste automático de los hiperparámetros mediante optimización bayesiana, búsqueda por cuadrículas o búsqueda aleatoria。罪禁运,bayesopt， que es la función主要para implementar la optimización bayesiana, es lo充分性灵活para muchas otras aplicaciones。Para obtener más información, consulte贝叶斯优化流程．

Para seleccionar automáticamente un modelo con hiperparámetros ajustados, utilicefitrauto．La función prueba una selección de tipos de modelos de regresión con valores en los hiperparámetros y deuelve un modelo final que se prevé que funcione bien。Utilicefitrauto我们没有办法保护我们的权利regresión我们有办法保护我们的权利。

Para desarrollar y评估模型regresión形式上的交互，应用程序回归的学习者．

Para interpretar un modelo de regresión, puede utilzar石灰，沙普利yplotPartialDependence．