多元线性回归
具有多个预测变量的线性回归
为提高低维到中维数据集的精度，拟合线性回归模型fitlm．
为减少在高维数据集上的计算时间，拟合线性回归模型fitrlinear．
应用程序
| 回归的学习者 | 训练回归模型，使用监督机器学习预测数据 |
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
主题
线性回归概论
- 什么是线性回归模型?
回归模型描述了因变量和一个或多个自变量之间的关系。 - 线性回归
拟合线性回归模型并检验结果。 - 逐步回归
在逐步回归中，预测因子被自动添加到模型中或从模型中删除。 - 使用稳健回归减少离群值效应
拟合一个鲁棒模型，该模型对小部分数据的大变化不像普通最小二乘那么敏感。 - 选择回归函数
根据回归问题的类型选择回归函数，并使用新的拟合函数更新遗留代码。 - 输出和诊断统计摘要
利用模型属性和目标函数对拟合模型进行评估。 - 威尔金森符号
威尔金森表示法提供了一种描述回归和重复测量模型而不指定系数值的方法。
线性回归的工作流
- 线性回归的工作流
导入和准备数据，拟合线性回归模型，测试和提高模型质量，共享模型。 - 解释线性回归结果
显示和解释线性回归输出统计数据。 - 具有交互效应的线性回归
建立并分析具有交互效应的线性回归模型，并解释结果。 - 使用表格的线性回归
这个例子展示了如何使用表格执行线性和逐步回归分析。 - 类别协变量的线性回归
使用类别数组和执行带有类别协变量的回归fitlm． - 分析时间序列数据
该示例演示如何使用控件可视化和分析时间序列数据timeseries对象和回归函数。 - 列车线性回归模型
训练线性回归模型使用fitlm分析内存内数据和内存外数据。
偏最小二乘回归
- 偏最小二乘
偏最小二乘(PLS)在考虑观测响应值的情况下，将新的预测变量构造为原始预测变量的线性组合，从而得到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。
您也可以从以下列表中选择网站: