主要内容

removeTerms

删除从线性回归模型

所有的页面崩溃

语法

NewMdl = removeTerms (mdl条款)

描述

例子

NewMdl= removeTerms (mdl,条款)返回一个线性回归模型拟合使用的输入数据和设置mdl与条款条款移除。

例子

全部折叠

打开生活的脚本

创建一个线性回归模型使用哈尔德高的数据集。删除项p值。

加载数据集。

负载哈尔德X =成分;%的预测变量y =热量;%响应变量

适合对数据的线性回归模型。

mdl = fitlm (X, y)
mdl =线性回归模型:y ~ 1 + x1 + x2 + x3 + x4估计系数:估计SE tStat pValue ________ _________说x1(拦截)62.405 70.071 0.8906 0.39913 1.5511 0.74477 2.0827 0.070822 x2 0.51017 0.72379 0.70486 0.5009 x3 x4 -0.14406 0.70905 -0.20317 0.89592 0.10191 0.75471 0.13503 0.84407的观测数量:13日误差自由度:8根均方误差:2.45平方:0.982,调整平方:0.974 f统计量与常数模型:111年,假定值= 4.76 e-07

删除x3和x4因为他们的p值很高。

条款=“x3 + x4”;%条款删除NewMdl = removeTerms (mdl条款)
NewMdl =线性回归模型:y ~ 1 + x1 + x2估计系数:估计SE tStat pValue说______ __________(拦截)52.577 2.2862 22.998 5.4566平台以及x1 e-07 x2 0.66225 0.045855 14.442 2.6922 1.4683 0.1213 12.105 5.029 e-08数量的观察:13日误差自由度:10根均方误差:2.41平方:0.979,调整平方:0.974 f统计量与常数模型:230年,假定值= 4.41 e-09

NewMdl有相同的调整平方值(0.974)与前面的模型,这意味着符合新模型中的一样好。新模型中所有条款都极低p值。

输入参数

全部折叠

线性回归模型,指定为一个LinearModel对象创建使用fitlm或stepwiselm。

删除的回归模型mdl,指定为以下之一:

  • 特征向量或字符串标量公式威尔金森符号代表一个或多个条件。公式中的变量名必须是有效的MATLAB®标识符。

  • 计算矩阵T的大小t——- - - - - -p,在那里t的条款和数量吗p预测变量的数量吗mdl。的价值T (i, j)是变量的指数吗j在术语我。

    例如,假设mdl有三个变量一个,B,C这个顺序。每一行的T代表一个术语:

    • (0 0 0)——常数项或拦截

    • (0 1 0)- - - - - -B;同样,^ 0 B * * C ^ 0 ^ 1

    • (1 0 1)- - - - - -* C

    • (2 0 0)- - - - - -^ 2

    • [0 1 2]- - - - - -B * (C ^ 2)

removeTerms治疗的一组指标变量的分类预测作为一个变量。因此,您不能指定一个指示符变量从模型中删除。如果你指定一个分类预测的模型,removeTerms删除一组指标变量预测的一个步骤。看到使用步骤修改线性回归模型为例,描述了如何手动创建指标变量和对待每一个人作为一个独立的变量。

输出参数

全部折叠

用更少的条款,线性回归模型作为一个返回LinearModel对象。NewMdl是一个新安装的模型,使用输入数据和设置在吗mdl中指定的条件条款从mdl。

覆盖输入参数mdl,分配新模型mdl:

mdl = removeTerms (mdl、条款);

更多关于

全部折叠

威尔金森符号

威尔金森符号描述术语出现在一个模型。符号相关条款存在于一个模型,而不是乘数(系数)的条款。

威尔金森符号使用这些符号:

  • +意味着包括下一个变量。

  • - - - - - -意味着不包括下一个变量。

  • :定义了一个交互,这是一个产品的术语。

  • *定义了一个交互和所有低阶项。

  • ^提高预测能力,完全一样*重复,所以^包括低阶项。

  • ()组条件。

此表显示了威尔金森符号的典型例子。

威尔金森符号 在标准符号
1 常数(拦截)
x1 ^ k,在那里k是一个正整数 x1,x12、……x1k
x1 + x2 x1,x2
x1 * x2 x1,x2,x1 * x2
x1, x2 x1 * x2只有
x2 不包括x2
x1 * x2 + x3 x1,x2,x3,x1 * x2
x1 + x2 + x3 + x1, x2 x1,x2,x3,x1 * x2
x1 * x2 * x3 - x1, x2, x3 x1,x2,x3,x1 * x2,x1 * x3,x2 * x3
x1 * (x2 + x3) x1,x2,x3,x1 * x2,x1 * x3

更多细节,请参阅威尔金森符号。

算法

  • removeTerms对待分类预测如下:

    • 一个模型的分类预测l包括水平(类别)l- 1指标变量。模型使用第一类作为参考水平,所以它不包括参考的指标变量的水平。如果数据类型的分类预测分类,那你可以检查的顺序分类利用类别通过使用和重新排序的类别reordercats自定义参考水平。关于创建指标变量的更多细节,请参阅自动创建虚拟变量。

    • removeTerms治疗组l- 1作为一个变量指标变量。如果你想把指标变量不同的预测变量,使用手动创建指标变量dummyvar。然后使用指标变量,除了一个对应的参考电平分类变量,当你适应一个模型。的分类预测X如果你指定的所有列dummyvar (X)和一个截距项预测,然后设计矩阵变得不足。

    • 交互条款之间的连续预测和分类预测l由element-wise产品的水平l- 1变量与连续预测指标。

    • 两个分类预测之间的交互方面l和米水平的(l- 1)* (米- 1)指标变量包括所有可能的组合的两个分类预测的水平。

    • 你不能指定高阶术语分类预测,因为一个指标的平方等于本身。

选择功能

  • 使用stepwiselm指定条件的模型和持续改进模型开始,直到没有添加或删除一个术语的一步是有益的。

  • 使用addTerms将具体条款添加到模型中。

  • 使用一步优化改进模型通过添加或删除。

扩展功能

版本历史

介绍了R2012a

另请参阅

|||

主题