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

removeTerms

Quite los términos del modelo de regresión lineal

Descripción

ejemplo

NewMdl = removeTerms(mdl,terms) Devuelve un modelo de regresión lineal equipado con los datos de entrada y la configuración con los términos eliminados.mdlterms

Ejemplos

contraer todo

Cree un modelo de regresión lineal utilizando el conjunto de datos.hald Quite los términos que tienen valores altos.p

Cargue el conjunto de datos.

load hald X = ingredients; % predictor variables y = heat; % response variable

Ajuste un modelo de regresión lineal a los datos.

mdl = fitlm(X,y)
mdl =  Linear regression model:     y ~ 1 + x1 + x2 + x3 + x4  Estimated Coefficients:                    Estimate      SE        tStat       pValue                     ________    _______    ________    ________      (Intercept)      62.405     70.071      0.8906     0.39913     x1               1.5511    0.74477      2.0827    0.070822     x2              0.51017    0.72379     0.70486      0.5009     x3              0.10191    0.75471     0.13503     0.89592     x4             -0.14406    0.70905    -0.20317     0.84407   Number of observations: 13, Error degrees of freedom: 8 Root Mean Squared Error: 2.45 R-squared: 0.982,  Adjusted R-Squared: 0.974 F-statistic vs. constant model: 111, p-value = 4.76e-07 

Quite los términos y condiciones porque sus-valores son altos.x3x4p

terms = 'x3 + x4'; % terms to remove NewMdl = removeTerms(mdl,terms)
NewMdl =  Linear regression model:     y ~ 1 + x1 + x2  Estimated Coefficients:                    Estimate       SE       tStat       pValue                      ________    ________    ______    __________      (Intercept)     52.577       2.2862    22.998    5.4566e-10     x1              1.4683       0.1213    12.105    2.6922e-07     x2             0.66225     0.045855    14.442     5.029e-08   Number of observations: 13, Error degrees of freedom: 10 Root Mean Squared Error: 2.41 R-squared: 0.979,  Adjusted R-Squared: 0.974 F-statistic vs. constant model: 230, p-value = 4.41e-09 

tiene el mismo valor R cuadrado ajustado (0,974) que el modelo anterior, lo que significa que el ajuste es tan bueno en el nuevo modelo.NewMdl Todos los términos del nuevo modelo tienen valores muy bajos.p

Argumentos de entrada

contraer todo

Modelo de regresión lineal, especificado como un objeto creado mediante o.LinearModelfitlmstepwiselm

Términos que se eliminan del modelo de regresión, especificados como uno de los siguientes:mdl

  • Fórmula en la representación de uno o más términos.La notación Wilkinson

  • Términos matriz de tamaño por-, donde es el número de términos y es el número de variables predictoras en.tptpmdl El valor de es el exponente de la variable en el término.T(i,j)ji

    Por ejemplo, supongamos que tiene tres variables y, en ese orden.mdlABC Cada fila de representa un término:T

    • — Término constante o intercepción[0 0 0]

    • — ; Equivalente[0 1 0]BA^0 * B^1 * C^0

    • [1 0 1]A*C

    • [2 0 0]A^2

    • [0 1 2]B*(C^2)

trata un grupo de variables indicadoras para un predictor categórico como una sola variable.removeTerms Por lo tanto, no puede especificar una variable de indicador para quitar del modelo. Si especifica un predictor categórico para eliminarlo del modelo, elimina un grupo de variables indicadoras para el predictor en un paso.removeTerms Consulte un ejemplo que describe cómo crear variables de indicador manualmente y tratar cada una de ellas como una variable independiente.Modificar modelo de regresión lineal mediantestep

Argumentos de salida

contraer todo

Modelo de regresión lineal con menos términos, devuelto como objeto. es un modelo recién ajustado que utiliza los datos de entrada y la configuración con los términos especificados en quitado de.LinearModelNewMdlmdltermsmdl

Para sobrescribir el argumento de entrada, asigne el modelo recién ajustado a:mdlmdl

mdl = removeTerms(mdl,terms);

Más acerca de

contraer todo

La notación Wilkinson

La notación Wilkinson describe los términos presentes en un modelo. La notación se relaciona con los términos presentes en un modelo, no con los multiplicadores (coeficientes) de esos términos.

La notación Wilkinson utiliza estos símbolos:

  • significa incluir la siguiente variable.+

  • significa no incluir la siguiente variable.

  • define una interacción, que es un producto de términos.:

  • define una interacción y todos los términos de orden inferior.*

  • eleva el predictor a una potencia, exactamente como se repite, también incluye términos de orden inferior.^*^

  • términos de grupos.()

Esta tabla muestra ejemplos típicos de la notación Wilkinson.

La notación WilkinsonTérmino en notación estándar
1Término constante (intercepción)
, donde es un entero positivoA^kk,A A2, ..., Ak
A + B,AB
A*B, ,ABA*B
A:BsolamenteA*B
–BNo incluyaB
A*B + C, , ,ABCA*B
A + B + C + A:B, , ,ABCA*B
A*B*C – A:B:C, , , , ,ABCA*BA*CB*C
A*(B + C), , , ,ABCA*BA*C

notación siempre incluye un término constante a menos que se elimine explícitamente el término using.Statistics and Machine Learning Toolbox™–1

Para obtener más información, consulte.La notación Wilkinson

Algoritmos

  • removeTerms trata un predictor categórico de la siguiente manera:

    • Un modelo con un predictor categórico que tiene niveles (categorías) incluyeL L – 1 variables indicadoras. El modelo utiliza la primera categoría como nivel de referencia, por lo que no incluye la variable indicadora para el nivel de referencia. Si el tipo de datos del predictor categórico es, a continuación, puede comprobar el orden de las categorías mediante el uso y reordenar las categorías mediante el uso para personalizar el nivel de referencia.Categóricocategoriesreordercats

    • removeTerms trata al grupo de L – 1 variables indicadoras como una sola variable. Si desea tratar las variables indicadoras como variables predictoras distintas, cree las variables indicadoras manualmente utilizando.dummyvar A continuación, utilice las variables indicadoras, excepto la correspondiente al nivel de referencia de la variable categórica, al ajustar un modelo. Para el predictor categórico, si especifica todas las columnas y un término de intercepción como predictores, la matriz de diseño se convierte en deficiente de rango.Xdummyvar(X)

    • Los términos de interacción entre un predictor continuo y un predictor categórico con niveles consisten en el producto elemento-sabio delL L – 1 variables indicadoras con el predictor continuo.

    • Los términos de interacción entre dos predictores categóricos y los niveles consisten en laLM (L – 1)*(M – 1) variables indicadoras para incluir todas las combinaciones posibles de los dos niveles predictores categóricos.

    • No puede especificar términos de orden superior para un predictor categórico porque el cuadrado de un indicador es igual a sí mismo.

Funcionalidad alternativa

  • Se usa para especificar términos en un modelo inicial y continuar mejorando el modelo hasta que no haya un solo paso de agregar o quitar un término que sea beneficioso.stepwiselm

  • Uso addTerms para agregar términos específicos a un modelo.

  • Uso step para mejorar óptimamente un modelo añadiendo o eliminando términos.

Introducido en R2012a