广义线性回归
回归模型为有限的反应
更大的准确性和连接函数选择低——通过medium-dimensional数据集,一个广义线性模型使用fitglm。
为减少计算时间在高维数据集,训练一个二进制,线性分类模型,如逻辑回归模型,使用fitclinear。你也可以有效地训练多级纠错输出编码(ECOC)模型组成的逻辑回归模型使用fitcecoc。
对非线性和大数据分类,火车一个二进制,高斯核分类和逻辑回归模型使用fitckernel。
类
GeneralizedLinearModel |
广义线性回归模型类 |
CompactGeneralizedLinearModel |
紧凑的广义线性回归模型类 |
ClassificationLinear |
线性模型的二进制高维数据的分类 |
ClassificationECOC |
多类支持向量机(svm)模型和其他分类器金宝app |
ClassificationKernel |
高斯核函数分类模型使用随机特性的扩张 |
ClassificationPartitionedLinear |
旨在为二进制线性模型高维数据的分类 |
ClassificationPartitionedLinearECOC |
旨在为多级线性纠错输出编码模型高维数据的分类 |
功能
fitglm |
创建广义线性回归模型 |
stepwiseglm |
通过逐步回归建立广义线性回归模型 |
紧凑的 |
紧凑的广义线性回归模型 |
disp |
显示广义线性回归模型 |
函数宏指令 |
评估广义线性回归模型预测 |
预测 |
广义线性回归模型的预测反应 |
随机 |
广义线性回归模型的模拟反应 |
fitclinear |
适合高维数据线性分类模型 |
templateLinear |
线性分类学习者模板 |
fitcecoc |
适应多类支持向量机的模型或其他分类器金宝app |
预测 |
预测线性分类模型的标签 |
fitckernel |
符合高斯核分类模型使用随机特性的扩张 |
预测 |
预测标签为高斯核的分类模型 |
plotPartialDependence |
创建部分依赖图(PDP)和个人条件期望(ICE)情节 |
例子和如何
适合一个广义线性模型和分析结果。
创建和逻辑回归分类器相比,和出口训练模型对新数据进行预测。
这个例子展示了如何适应和评估使用广义线性模型glmfit和glmval。
这个例子展示了如何使贝叶斯推论的逻辑回归模型使用slicesample。
概念
广义线性模型用线性方法来描述一个潜在的非线性预测条款和一个响应变量之间的关系。
名义反应变量有一组限制的可能值没有自然秩序。名义响应模型的概率解释和预测的一个观察是在每个类别分类响应变量。
一组顺序反应变量有一个限制的可能值,分为自然秩序。一个顺序响应模型描述之间的关系类别的累积概率和预测变量。
分层多项式响应变量(也称为顺序或嵌套多项反应)有一组限制的可能值,分为层次类。层次多项式回归模型扩展的二元回归模型是基于二进制观测条件。
威尔金森符号提供了一种方法来描述回归和重复测量模型没有指定系数值。
