回归
线性的,广义线性、非线性和非参数技术监督学习
回归模型描述一个响应(输出)变量之间的关系,以及一个或多个预测变量(输入)。统计和机器学习工具箱™允许您适合线性,广义线性和非线性回归模型,包括分段模型和mixed-effects模型。一旦你适应一个模型,您可以使用它来预测或模拟反应,评估模型适合使用假设测试,或使用图来可视化诊断,残差和交互影响。
统计和机器学习工具箱还提供了非参数回归方法以适应更复杂的回归曲线没有指定响应之间的关系和预定的回归函数的预测因子。你可以预测新数据使用训练模型反应。高斯过程回归模型也使您能够计算预测区间。
类别
- 回归学习者应用
交互式地训练、验证和优化回归模型 - 线性回归
多个、逐步多元回归模型,等等 - 广义线性模型
逻辑回归、多项式回归、泊松回归和更多 - 非线性回归
非线性固定和mixed-effects回归模型 - 支持向量机回归
支持向量机回归模型 - 高斯过程回归
高斯过程回归模型(克里格) - 回归树
二叉决策树的回归 - 回归树集合体
随机森林、推动和袋装回归树 - 广义加性模型
可说明的模型由单变量和二元形状函数回归 - 神经网络
神经网络的回归 - 增量学习
符合线性模型回归流数据和跟踪性能 - 可解释性
火车可判断的回归模型和解释复杂的回归模型 - 模型构建和评估
特征选择、特征工程、模式选择、hyperparameter优化,交叉验证,残留的诊断和阴谋
