Regresión
Los modelos de regresión describen la relación entre una variable de respuesta (salida) y una o más variables predictoras (entrada). Statistics and Machine Learning Toolbox™ le permite ajustar modelos de regresión lineal, lineal generalizados y no lineal, incluidos los modelos escalonados y los modelos de efectos mixtos. Una vez que ajuste un modelo, puede utilizarlo para predecir o simular respuestas, evaluar el ajuste del modelo mediante pruebas de hipótesis o utilizar gráficas para visualizar diagnósticos, valores residuales y efectos de interacción.
Statistics and Machine Learning Toolbox también proporciona métodos de regresión no paramétricos para dar cabida a curvas de regresión más complejas sin especificar la relación entre la respuesta y los predictores con una función de regresión predeterminada. Puede predecir las respuestas con los nuevos datos utilizando el modelo entrenado. Los modelos de regresión de procesos gaussianos también le permiten calcular intervalos de predicción.
Aspectos básicos de la regresión
- Train Regression Models in Regression Learner App
- Linear Regression
- Generalized Linear Models
- Nonlinear Regression
- Linear Mixed-Effects Models
- Gaussian Process Regression Models
- Introduction to Feature Selection
- Interpret Machine Learning Models
- Machine Learning para regresión (Recursos didácticos de MathWorks)
Categorías
- App Regression Learner
Entrene, valide y ajuste modelos de regresión de forma interactiva
- Regresión lineal
Modelos de regresión múltiple, escalonada y multivariante, y mucho más
- Modelos lineales generalizados
Regresión logística, regresión multinomial, regresión de Poisson y mucho más
- Regresión no lineal
Modelos de regresión de efectos mixtos y fijos no lineales
- Regresión con máquinas de vectores de soporte
Máquinas de vectores de soporte para modelos de regresión
- Regresión de procesos gaussianos
Modelos de regresión de procesos gaussianos (kriging)
- Árboles de regresión
Árboles de decisión binarios para regresión
- Ensembles de árboles de regresión
Bosques aleatorios, árboles de regresión potenciados y empaquetados
- Modelo aditivo generalizado
Modelo interpretable compuesto por funciones de forma univariadas y bivariadas para regresión
- Redes neuronales
Redes neuronales para regresión
- Aprendizaje incremental
Ajuste un modelo lineal para regresión a los datos de transmisión y supervise su rendimiento
- Predicciones directas
Realice predicciones directas utilizando datos de series temporales muestreados regularmente
- Capacidad de interpretación
Entrene modelos de regresión interpretables e interprete modelos de regresión complejos
- Desarrollo y evaluación de modelos
Selección de características, ingeniería de características, selección de modelos, optimización de hiperparámetros, validación cruzada, diagnósticos de valores residuales y gráficas
- Coejecución de un modelo de Python
Cargue y coejecute modelos de machine learning de Python para la predicción en Simulink