Regression
Regressionsmodelle beschreiben die Beziehung zwischen einer Antwortvariable (Ausgang) und einer oder mehreren Prädiktorvariablen (Eingang). Um Regressionsmodelle interaktiv zu erkunden, verwenden Sie die App Regression Learner. Statistics and Machine Learning Toolbox™ ermöglicht Ihnen die Anpassung linearer, generalisierter linearer und nichtlinearer Regressionsmodelle einschließlich schrittweiser Modelle und Modelle mit gemischten Effekten. Nach der Anpassung eines Modells können Sie es zur Vorhersage oder Simulation von Antworten verwenden, die Modellanpassung mit Hypothesentests bewerten oder Diagramme zur Visualisierung von Diagnostik, Residuen und Interaktionseffekten verwenden.
Statistics and Machine Learning Toolbox umfasst zudem nichtparametrische Regressionsmethoden für komplexere Regressionskurven, ohne die Beziehung zwischen Antwort und Prädiktoren mit einer im Voraus bestimmten Regressionsfunktion festzulegen. Sie können Antworten für die neuen Daten mithilfe des trainierten Modells vorhersagen. Mit Gauß-Prozess-Regressionsmodellen können Sie zudem die Prädiktionsintervalle berechnen.
Kategorien
- Regression Learner App
Interaktives Trainieren, Validieren und Abstimmen von Regressionsmodellen
- Lineare Regression
Multiple, schrittweise und multivariate Regressionsmodelle und mehr
- Generalisierte lineare Modelle
Logistische Regression, multinomiale Regression, Poisson-Regression und mehr
- Nichtlineare Regression
Nichtlineare Regressionsmodelle mit festen und gemischten Effekten
- Support-Vektormaschinen-Regression
Support-Vektormaschinen für Regressionsmodelle
- Gauss-Prozess-Regression
Gauss-Prozess-Regressionsmodelle (kriging)
- Regressionsbäume
Binäre Entscheidungsbäume für die Regression
- Regressionsbaum-Ensembles
Random-Forest-Regressionsbäume sowie Boosted- und Bagged-Regressionsbäume
- Generalisiertes additives Modell
Auswertbares Modell aus univariaten und bivariaten Formfunktionen für die Regression
- Neuronale Netze
Neuronale Netze für Regression
- Inkrementelles Lernen
Anpassen eines linearen Regressionsmodells an Streamingdaten und Nachverfolgen der Leistung
- Direkte Vorhersage
Treffen einer direkten Vorhersage anhand regulär abgetasteter Zeitreihendaten
- Auswertbarkeit
Trainieren auswertbarer Regressionsmodelle und Auswerten komplexer Regressionsmodelle
- Modellerstellung und -Bewertung
Synthetische Datengenerierung, Merkmalsauswahl, Merkmalsentwicklung, Modellauswahl, Hyperparameter-Optimierung, Kreuzvalidierung, Rückstandsdiagnose und Diagramme
- Python-Modell-Coausführung
Laden und Co-Ausführen von Python-Machine-Learning-Modellen zur Vorhersage in Simulink
Enthaltene Beispiele
Fitting Data with Generalized Linear Models
Fit and evaluate generalized linear models using glmfit
and glmval.
Bayesian Analysis for a Logistic Regression Model
Make Bayesian inferences for a logistic regression model using
slicesample.
Weighted Nonlinear Regression
Fit a nonlinear regression model for data with nonconstant error variance.
Partial Least Squares Regression and Principal Components Regression
Apply partial least squares regression (PLSR) and principal components regression (PCR), and explore the effectiveness of the two methods.
Automated Regression Model Selection with Bayesian and ASHA Optimization
Use fitrauto to automatically try a selection of regression model types with different hyperparameter values, given training predictor and response data.
Unterrichtsmaterialien
Grundlagen der Regression
Erlernen Sie die Grundlagen der Regressionsanalyse und erfahren Sie, wie Sie lineare Regressionsmodelle lösen, bewerten und verbessern können.
Machine Learning für Regression
Erlernen Sie die Konzepte der Merkmalsextraktion und Regression und wenden Sie diese auf die Zeitreihenprognose an.
Machine Learning für die Biowissenschaften
Erlernen Sie anhand von Beispielen aus der Biologie die Grundlagen des Machine Learning.
