统计和机器学习工具箱中的回归学习应用程序允许您训练多个模型，并选择最佳模型来预测数据，而不需要编写任何代码。
您还可以使用该应用程序来探索数据、选择特征、指定验证方案、优化超参数和评估模型性能。
本例将使用该应用程序对支持电网所需的电量(也称为“负荷”)进行建模，并使用该模型对未来负荷进行预测。
你可以在机器学习和深度学习下面的应用程序库中找到回归学习者应用程序。
您也可以直接从MATLAB命令行打开它。
启动一个新会话，然后选择要使用的数据集。基于其中变量的数据类型，应用程序将自动将它们分配为预测器或响应。但是，如果需要，您可以随时更改它们的角色。您还可以取消选择与预测响应无关的变量，这将节省训练时间。
默认的自动交叉验证选项防止过拟合。在这个例子中，我们有很多数据，坚持验证工作得很好。
接下来，你将能够探索哪种机器学习模型对你的数据最有意义。
有许多模型可供选择:线性回归模型、回归树、高斯过程回归模型、支持向量机和回归树的集合。
如果你已经知道什么类型的模型最适合你的数据，你可以一个一个地训练它们，或者选择一组模型来训练。如果你不确定，就把它们都选上，开始训练，然后看看最初表现最好的那个。
您可以在历史列表中看到模型以及均方根误差(或RMSE)。RMSE表示模型相对于数据的性能或适应度。误差越小，适应度越好。该应用程序将自动突出显示具有最低误差的模型。
在本例中，具有最低RMSE的模型是Matern 5/2 GPR。
当您选择一个模型时，您将能够使用各种图表来查看有关其性能的更多细节。
例如，预测图和实际图可以帮助您理解这个特定模型对不同响应值的预测效果如何。一个完美的回归模型有一个预测的响应等于真实的响应，所以所有的点都在一条对角线上。直线到任意一点的垂直距离就是对该点的预测误差。
要进一步优化模型，可以调优其超参数。该应用程序将尝试不同的超参数值组合，使用优化方案，以尽量减少模型误差。
为此，选择与您的模型类型相对应的可优化模型，在本例中为可优化GPR。
该应用程序将遍历GPR模型的所有超参数组合。可视化显示了当计算不同的超参数组合时，误差是如何减小的。完成后，应用程序将突出显示RMSE最低的最好的一个。
在您对训练和调优过程感到满意之后，您可以将模型导出到MATLAB工作区或生成MATLAB代码。
导出到工作区使您能够使用经过训练的模型对新数据进行预测。
生成该模型的MATLAB代码使您能够将其集成到机器学习应用程序中，并使您的同事能够快速复制您的结果。
要了解更多关于回归学习和下载示例数据集的信息，请单击应用程序右上角的帮助图标。
