描述数学关系并根据实验数据进行预测
线性回归是一种统计建模技术,用于将连续响应变量描述为一个或多个预测变量的函数。它可以帮助您理解和预测复杂系统的行为,或者分析实验、金融和生物数据。
线性回归技术用于创建线性模型。该模型将因变量\(y\)(也称为响应)与一个或多个自变量\(X_i\)(称为预测因子)之间的关系描述为函数。线性回归模型的一般方程为:
\[Y=\beta\u 0+\sum\\beta\u i X\u i+\epsilon\u i\]
其中\(贝塔\)表示要计算的线性参数估计,\(\epsilon\)表示误差项。
线性回归的类型
简单线性回归:只使用一个预测器的模型。一般方程为:
\[Y=\beta\u 0+\beta\u i X+\epsilon\u i\]
多元线性回归:使用多个预测因子的模型。该回归具有多重\(X_i \)来预测响应\(Y \)。该方程的一个例子是:
\[Y=\beta\u 0+\beta\u 1 X\u 1+\beta\u 2 X\u 2+\epsilon\]
多元线性回归:多响应变量模型。该回归有多个由相同数据\(X\)导出的\(Y_i\)。它们用不同的公式表示。具有2个方程的该系统示例如下:
\ [Y_1 = \ beta_ {01} + \ beta_ {11} X_1 + \ epsilon_1 \]
\ [Y_2 = \ beta_ {02} + \ beta_ {1 2} X_1 + \ epsilon_2 \]
多元多元线性回归:对多个响应变量使用多个预测器的模型。该回归具有多个\(X_i \)来预测多个响应\(Y_i \)。这些方程式的概括如下:
线性回归的应用
线性回归有一些特性,使它们在以下应用中非常有趣:
- 预测或预测–使用回归模型为特定数据集构建预测模型。从模型中,您可以使用回归来预测只有预测因子已知的响应值。
- 回归强度——使用回归模型确定变量和预测值之间是否存在关系,以及这种关系的强度。
MATLAB线性回归
工程师通常创建简单的线性回归模型MATLAB. 对于多元和多元线性回归,可以使用统计和机器学习工具箱™从MATLAB。它支持逐步、稳健和多元回归:
- 生成预测
- 比较线性模型拟合
- 绘图残差
- 评价拟合优度
- 检测异常值
要创建一个将曲线和曲面与数据相匹配的线性模型,请参见曲线拟合工具箱™.