描述数学关系,并根据实验数据做出预测
线性回归是一种统计建模技术,用于将连续响应变量描述为一个或多个预测变量的函数。它可以帮助你理解和预测复杂系统的行为,或分析实验、金融和生物数据。
线性回归技术用于创建线性模型。该模型将因变量\(y\)(也称为响应)之间的关系描述为一个或多个自变量\(X_i\)(称为预测量)的函数。线性回归模型的一般方程为:
\[Y = \beta_0 + \sum \ \beta_i X_i + \epsilon_i\]
其中\(\beta\)表示要计算的线性参数估计,\(\epsilon\)表示误差项。
线性回归的类型
简单线性回归:仅使用一个预测器的模型。一般方程为:
\[Y = \beta_0 + \beta_i X+ \epsilon_i\]
多元线性回归:使用多个预测器的模型。这个回归有多个\(X_i\)来预测响应,\(Y\)。这个方程的一个例子是:
\ [Y = \ beta_0 + \ beta_1 X_1 + \ beta_2 X_2 + \ε\]
多元线性回归:多个响应变量的模型。这个回归有多个来自相同数据\(X\)的\(Y_i\)。它们用不同的公式表示。这个方程组有两个方程的例子是:
\ [Y_1 = \ beta_ {01} + \ beta_ {11} X_1 + \ epsilon_1 \]
\ [Y_2 = \ beta_ {02} + \ beta_ {1 2} X_1 + \ epsilon_2 \]
多元多元线性回归:使用多个预测器对多个响应变量进行建模。这个回归有多个\(X_i\)来预测多个响应\(Y_i\)。方程的概化是:
线性回归的应用
线性回归有一些特性,使得它们在以下应用中非常有趣:
- 预测或预测——使用回归模型为特定的数据集建立预测模型。从模型中,你可以使用回归来预测只有预测因子知道的响应值。
- 回归的强度——使用回归模型来确定一个变量和预测器之间是否存在关系,以及这种关系有多强。
用MATLAB进行线性回归
工程师通常创建简单的线性回归模型MATLAB。对于多元和多元线性回归,可以使用统计和机器学习工具箱™从MATLAB。它使逐步,鲁棒和多元回归:
- 生成预测
- 比较线性模型拟合
- 情节残差
- 评价拟合优度
- 检测异常值
要创建符合数据的曲线和曲面的线性模型,请参见曲线拟合工具箱™。
示例及如何使用
软件参考
参见:时间序列回归