Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.
Para una mayor precisión y opciones de función de enlace en conjuntos de datos de baja a media dimensión, ajuste un modelo lineal generalizado utilizando .fitglm
Para reducir el tiempo de cálculo en conjuntos de datos de alta dimensión, entrene un modelo de clasificación lineal binario, como un modelo de regresión logística, utilizando .fitclinear
También puede entrenar de forma eficiente un modelo de códigos de salida de corrección de errores multiclase (ECOC) compuesto por modelos de regresión logística mediante .fitcecoc
Para la clasificación no lineal con big data, entrene un modelo binario de clasificación de kernel gaussiano con regresión logística utilizando .fitckernel
GeneralizedLinearModel | Generalized linear regression model class |
CompactGeneralizedLinearModel | Compact generalized linear regression model class |
ClassificationLinear | Linear model for binary classification of high-dimensional data |
ClassificationECOC | Multiclass model for support vector machines (SVMs) and other classifiers |
ClassificationKernel | Gaussian kernel classification model using random feature expansion |
ClassificationPartitionedLinear | Cross-validated linear model for binary classification of high-dimensional data |
ClassificationPartitionedLinearECOC | Cross-validated linear error-correcting output codes model for multiclass classification of high-dimensional data |
fitglm | Create generalized linear regression model |
stepwiseglm | Create generalized linear regression model by stepwise regression |
compact | Compact generalized linear regression model |
disp | |
feval | Predict responses of generalized linear regression model using one input for each predictor |
predict | Predict responses of generalized linear regression model |
random | Simulate responses with random noise for generalized linear regression model |
fitclinear | Fit linear classification model to high-dimensional data |
templateLinear | Linear classification learner template |
fitcecoc | Ajustar modelos multiclase para máquinas vectoriales de soporte u otros clasificadores |
predict | Predict labels for linear classification models |
fitckernel | Fit Gaussian kernel classification model using random feature expansion |
predict | Predict labels for Gaussian kernel classification model |
plotPartialDependence | Create partial dependence plot (PDP) and individual conditional expectation (ICE) plots |
Generalized Linear Model Workflow
Fit a generalized linear model and analyze the results.
Train Logistic Regression Classifiers Using Classification Learner App
Create and compare logistic regression classifiers, and export trained models to make predictions for new data.
Datos de ajuste con modelos lineales generalizados
En este ejemplo se muestra cómo ajustar y evaluar modelos lineales generalizados mediante y .glmfit
glmval
La regresión lineal ordinaria se puede utilizar para ajustar una línea recta, o cualquier función que sea lineal en sus parámetros, a datos con errores distribuidos normalmente.
Análisis bayesiano para un modelo de regresión logística
En este ejemplo se muestra cómo realizar inferencias bayesianas para un modelo de regresión logística mediante .slicesample
Generalized linear models use linear methods to describe a potentially nonlinear relationship between predictor terms and a response variable.
Multinomial Models for Nominal Responses
A nominal response variable has a restricted set of possible values with no natural order between them. A nominal response model explains and predicts the probability that an observation is in each category of a categorical response variable.
Multinomial Models for Ordinal Responses
An ordinal response variable has a restricted set of possible values that fall into a natural order. An ordinal response model describes the relationship between the cumulative probabilities of the categories and predictor variables.
Hierarchical Multinomial Models
A hierarchical multinomial response variable (also known as a sequential or nested multinomial response) has a restricted set of possible values that fall into hierarchical categories. The hierarchical multinomial regression models are extensions of binary regression models based on conditional binary observations.
Wilkinson notation provides a way to describe regression and repeated measures models without specifying coefficient values.