Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

Regresión lineal generalizada

Modelos de regresión para respuestas limitadas

Para obtener una mayor precisión y opciones de función de vínculo en conjuntos de datos de baja y mediana dimensión, ajuste un modelo lineal generalizado utilizando.fitglm

Para reducir el tiempo de cálculo en conjuntos de datos de alta dimensión, entrenar un modelo de clasificación lineal binario, como un modelo de regresión logística, utilizando.fitclinear También puede entrenar eficientemente un modelo de códigos de salida de corrección de errores multiclase (ECOC) compuesto de modelos de regresión logística utilizando.fitcecoc

Para la clasificación no lineal con Big Data, entrenar un modelo de clasificación de kernel gaussiano binario con la regresión logística utilizando.fitckernel

Clases

GeneralizedLinearModelClase de modelo de regresión lineal generalizada
CompactGeneralizedLinearModelClase de modelo de regresión lineal generalizada compacta
ClassificationLinearModelo lineal para la clasificación binaria de datos de alta cota
ClassificationECOCModelo multiclase para máquinas de vectores de soporte (SVMs) y otros clasificadores
ClassificationKernelModelo de clasificación de kernel Gaussiano con expansión de características aleatorias
ClassificationPartitionedLinearModelo lineal con validación cruzada para la clasificación binaria de datos de alta cota
ClassificationPartitionedLinearECOCModelo de códigos de salida de corrección de errores lineales con validación cruzada para la clasificación multiclase de datos de alta cota

Funciones

fitglmCree un modelo de regresión lineal generalizado
stepwiseglmCree un modelo de regresión lineal generalizado mediante la regresión escalonada
compactModelo de regresión lineal generalizada compacta
dispMostrar modelo de regresión lineal generalizada
fevalEvalúe la predicción del modelo de regresión lineal generalizada
predictPredecir la respuesta del modelo de regresión lineal generalizada
randomSimular respuestas para el modelo de regresión lineal generalizada
fitclinearAjuste el modelo de clasificación lineal a datos de alta cota
templateLinearPlantilla de aprendizaje de clasificación lineal
fitcecocAjuste modelos multiclase para máquinas de vectores de soporte u otros clasificadores
predictPredecir etiquetas para modelos de clasificación lineal
fitckernelAjuste el modelo de clasificación de kernel gaussiano utilizando la expansión de características aleatorias
predictPredecir etiquetas para el modelo de clasificación de kernel gaussiano
mnrfitLa regresión logística multinomial
mnrvalLos valores de regresión logística multinomial
glmfitRegresión de modelo lineal generalizada
glmvalLos valores del modelo lineal generalizado
plotPartialDependenceCree parcelas de dependencia parcial (PDP) y de expectativa condicional individual (ICE)

Ejemplos y procedimientos

Flujo de trabajo de modelo lineal generalizado

Ajuste un modelo lineal generalizado y analice los resultados.

Entrenar clasificadores de regresión logística mediante la aplicación de clasificación aprendiz

Cree y compare clasificadores de regresión logística y exporte modelos entrenados para realizar predicciones para nuevos datos.

Datos de ajuste con modelos lineales generalizados

En este ejemplo se muestra cómo ajustar y evaluar modelos lineales generalizados mediante y.glmfitglmval La regresión lineal ordinaria se puede utilizar para ajustar una línea recta, o cualquier función que sea lineal en sus parámetros, a los datos con errores normalmente distribuidos.

Análisis bayesiano para un modelo de regresión logística

Este ejemplo muestra cómo hacer inferencias bayesianas para un modelo de regresión logística usando.slicesample

Conceptos

Modelos lineales generalizados

Los modelos lineales generalizados utilizan métodos lineales para describir una relación potencialmente no lineal entre los términos predictores y una variable de respuesta.

Modelos multinomiales para respuestas nominales

Una variable de respuesta nominal tiene un conjunto restringido de valores posibles sin orden natural entre ellos. Un modelo de respuesta nominal explica y predice la probabilidad de que una observación esté en cada categoría de una variable de respuesta categórica.

Modelos multinomial para las respuestas ordinales

Una variable de respuesta ordinal tiene un conjunto restringido de valores posibles que caen en un orden natural. Un modelo de respuesta ordinal describe la relación entre las probabilidades acumulativas de las categorías y las variables predictoras.

Modelos multinomiales jerárquicos

Una variable de respuesta multinomial jerárquica (también conocida como respuesta multinomial secuencial o anidada) tiene un conjunto restringido de valores posibles que entran en categorías jerárquicas. Los modelos jerárquicos de regresión multinomial son extensiones de modelos de regresión binaria basadas en observaciones binarias condicionales.

La notación Wilkinson

La notación Wilkinson proporciona una manera de describir los modelos de regresión y medidas repetidas sin especificar valores de coeficiente.