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

Elija una función de regresión

La regresión es el proceso de adaptación de los modelos a los datos. Los modelos deben tener respuestas numéricas. Para modelos con respuestas categóricas, consulte o.Clasificación paramétricaFlujo de trabajo de aprendizaje supervisado y algoritmos El proceso de regresión depende del modelo. Si un modelo es paramétrico, la regresión estima los parámetros de los datos. Si un modelo es lineal en los parámetros, la estimación se basa en métodos del álgebra lineal que minimizan la norma de un vector residual. Si un modelo no es lineal en los parámetros, la estimación se basa en métodos de búsqueda de optimización que minimizan la norma de un vector residual.

En esta tabla se describe qué función se utiliza en función del tipo de problema de regresión.

Componentes del modeloResultado de la regresiónFunción para utilizar
Predictores continuos o categóricos, respuesta continua, modelo linealLos coeficientes de modelo ajustados.fitlm Ver.Regresión lineal
Predictores continuos o categóricos, respuesta continua, modelo lineal de complejidad desconocidaEl modelo ajustado y los coeficientes ajustados.stepwiselm Ver.Regresión stepwise
Predictores continuos o categóricos, respuesta posiblemente con restricciones como el modelo lineal generalizado no negativo o de valor enteroCoeficientes de modelo lineal generalizada ajustadosO.fitglmstepwiseglm Ver.Modelos lineales generalizados
Predictores continuos con una respuesta no lineal continua, modelo no lineal parametrizadoCoeficientes de modelo no lineales ajustados.fitnlm Ver.Regresión no lineal
Predictores continuos, respuesta continua, modelo linealConjunto de modelos de cresta, lazo o regresión neta elásticaO.lassoridge Ver o.Lasso y elastic netRidge Regression
Predictores continuos correlacionados, respuesta continua, modelo linealEl modelo ajustado y los coeficientes ajustados.plsregress Ver.Mínimos cuadrados parciales
Predictores continuos o categóricos, respuesta continua, modelo desconocidoModelo no paramétricoO.fitrtreefitrensemble
Los predictores categóricos soloAnovaanova, , , .anova1anova2anovan
Predictores continuos, respuesta multivariable, modelo linealCoeficientes de modelo de regresión multivariada ajustadosmvregress
Predictores continuos, respuesta continua, modelo de efectos mixtosLos coeficientes de modelo de efectos mixtos ajustadosO.nlmefitnlmefitsa Ver.Modelos de efectos mixtos

Actualizar código heredado con nuevos métodos de adaptación

Hay varias funciones para realizar la regresión.Statistics and Machine Learning Toolbox™ En las secciones siguientes se describe cómo reemplazar llamadas a funciones anteriores a nuevas versiones:

regresion en fitlm

Sintaxis anterior:

[b,bint,r,rint,stats] = regress(y,X)

donde contiene una columna de unos.X

Sintaxis actual:

mdl = fitlm(X,y)

donde no se agrega una columna de los que.X

Valores equivalentes de las salidas anteriores:

  • bmdl.Coefficients.Estimate

  • bint coefCI(mdl)

  • rmdl.Residuals.Raw

  • — No existe un equivalente exacto.rint Intente examinar para buscar valores atípicos.mdl.Residuals.Studentized

  • : contiene varias propiedades que reemplazan a los componentes de.statsmdlstats

regstats en fitlm

Sintaxis anterior:

stats = regstats(y,X,model,whichstats)

Sintaxis actual:

mdl = fitlm(X,y,model)

Obtener estadísticas de las propiedades y métodos de.mdl Por ejemplo, vea las propiedades y.mdl.Diagnosticsmdl.Residuals

robustfit en fitlm

Sintaxis anterior:

[b,stats] = robustfit(X,y,wfun,tune,const)

Sintaxis actual:

mdl = fitlm(X,y,'robust','on') % bisquare

O para usar el wfun peso y el tune parámetro de ajuste:

opt.RobustWgtFun = 'wfun';
opt.Tune = tune; % optional
mdl = fitlm(X,y,'robust',opt)

Obtener estadísticas de las propiedades y métodos de.mdl Por ejemplo, vea las propiedades y.mdl.Diagnosticsmdl.Residuals

stepwisefit en stepwiselm

Sintaxis anterior:

[b,se,pval,inmodel,stats,nextstep,history] = stepwisefit(X,y,Name,Value) 

Sintaxis actual:

mdl = stepwiselm(ds,modelspec,Name,Value) 

O

mdl = stepwiselm(X,y,modelspec,Name,Value) 

Obtener estadísticas de las propiedades y métodos de.mdl Por ejemplo, vea las propiedades y.mdl.Diagnosticsmdl.Residuals

glmfit en fitglm

Sintaxis anterior:

[b,dev,stats] = glmfit(X,y,distr,param1,val1,...)

Sintaxis actual:

mdl = fitglm(X,y,distr,...) 

Obtener estadísticas de las propiedades y métodos de.mdl Por ejemplo, la desviación es, y para comparar con un modelo constante, utilizarmdl.Deviancemdl devianceTest.(mdl)

nlinfit en fitnlm

Sintaxis anterior:

[beta,r,J,COVB,mse] = nlinfit(X,y,fun,beta0,options)

Sintaxis actual:

mdl = fitnlm(X,y,fun,beta0,'Options',options) 

Valores equivalentes de las salidas anteriores:

  • betamdl.Coefficients.Estimate

  • rmdl.Residuals.Raw

  • covbmdl.CoefficientCovariance

  • msemdl.mse

no proporciona la salida jacobiana ().mdlJ El propósito principal de era pasarlo a o para obtener intervalos de confianza para los coeficientes estimados (parámetros) o predicciones.Jnlparcinlpredci Obtenga esos intervalos de confianza como:

parci = coefCI(mdl) [pred,predci] = predict(mdl)