主要内容

多元线性回归

多预测变量线性回归

为了在低维到中维数据集上获得更高的准确性，使用拟合线性回归模型fitlm．

为减少高维数据集上的计算时间，使用拟合线性回归模型fitrlinear．

应用程序

回归的学习者 使用监督机器学习训练回归模型来预测数据

对象

LinearModel 线性回归模型
CompactLinearModel 紧凑线性回归模型
RegressionLinear 高维数据的线性回归模型
RegressionPartitionedLinear 高维数据的交叉验证线性回归模型

功能

全部展开

创建LinearModel对象

fitlm 拟合线性回归模型
stepwiselm 执行逐步回归

创建CompactLinearModel对象

紧凑的 紧凑线性回归模型

从线性模型中添加或删除术语

addTerms 在线性回归模型中添加项
removeTerms 从线性回归模型中移除项
一步 通过增减项对线性回归模型进行改进

预测的反应

函数宏指令 对每个预测器使用一个输入来预测线性回归模型的响应
预测 预测线性回归模型的响应
随机 用随机噪声模拟线性回归模型的响应

评估线性模型

方差分析 线性回归模型的方差分析
coefCI 线性回归模型系数估计的置信区间
coefTest 线性回归模型系数的线性假设检验
dwt 以线性回归模型为对象的Durbin-Watson检验
partialDependence 计算部分依赖关系

可视化线性模型和汇总统计

情节 线性回归模型的散点图或加变量图
plotAdded 增加了线性回归模型的变量图
plotAdjustedResponse 线性回归模型调整后的响应图
plotDiagnostics 线性回归模型的小区观测诊断
plotEffects 在线性回归模型中绘制预测因子的主要效应
plotInteraction 线性回归模型中两个预测因子的交互作用
plotPartialDependence 创建部分依赖图(PDP)和个别条件期望图(ICE)
plotResiduals 线性回归模型残差图
plotSlice 通过拟合的线性回归曲面绘制切片图

线性模型的集合性质

收集 收集属性统计和机器学习工具箱来自GPU的对象

创建对象

fitrlinear 对高维数据拟合线性回归模型

一起工作RegressionLinear对象

预测 预测线性回归模型的响应
石灰 局部可解释模型不可知解释(LIME)
损失 线性回归模型的回归损失
partialDependence 计算部分依赖关系
plotPartialDependence 创建部分依赖图(PDP)和个别条件期望图(ICE)
沙普利 沙普利值
selectModels 选择拟合的正则化线性回归模型

一起工作RegressionPartitionedLinear对象

kfoldLoss 训练中未使用的观测值的回归损失
kfoldPredict 预测不用于训练的观察结果的反应

拟合和评估线性回归

dwt 带剩余输入的Durbin-Watson检验
invpred 逆预测
linhyptest 线性假设检验
plsregress 偏最小二乘回归
回归 多元线性回归
regstats 回归诊断
relieff 使用ReliefF或RReliefF算法对预测因子的重要性进行排序
robustfit 拟合稳健线性回归
stepwisefit 采用逐步回归方法拟合线性回归模型

准备数据

x2fx 将预测矩阵转换为设计矩阵
dummyvar 创建虚拟变量

互动工具

robustdemo 交互式稳健回归
rsmdemo 交互式响应面演示
rstool 交互式响应面建模
逐步 交互式逐步回归

主题

线性回归概论

线性回归工作流程

偏最小二乘回归

  • 偏最小二乘
    偏最小二乘(PLS)将新的预测变量构建为原始预测变量的线性组合，同时考虑观测到的响应值，从而得到一个具有可靠预测能力的简约模型。
  • 偏最小二乘回归与主成分回归
    应用偏最小二乘回归(PLSR)和主成分回归(PCR)，探讨两种方法的有效性。