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

Regresión lineal generalizada

Modelos de regresión para respuestas limitadas

Para obtener una mayor precisión y opciones de función de vínculo en conjuntos de datos de baja y mediana dimensión, ajuste un modelo lineal generalizado utilizando.fitglm

Para reducir el tiempo de cálculo en conjuntos de datos de alta dimensión, entrenar un modelo de clasificación lineal binario, como un modelo de regresión logística, utilizando.fitclinear También puede entrenar eficientemente un modelo de códigos de salida de corrección de errores multiclase (ECOC) compuesto de modelos de regresión logística utilizando.fitcecoc

Para la clasificación no lineal con Big Data, entrenar un modelo de clasificación de kernel gaussiano binario con la regresión logística utilizando.fitckernel

Clases

`GeneralizedLinearModel`	Clase de modelo de regresión lineal generalizada
`CompactGeneralizedLinearModel`	Clase de modelo de regresión lineal generalizada compacta

`ClassificationLinear`	Modelo lineal para la clasificación binaria de datos de alta cota
`ClassificationECOC`	Modelo multiclase para máquinas de vectores de soporte (SVMs) y otros clasificadores
`ClassificationKernel`	Modelo de clasificación de kernel Gaussiano con expansión de características aleatorias
`ClassificationPartitionedLinear`	Modelo lineal con validación cruzada para la clasificación binaria de datos de alta cota
`ClassificationPartitionedLinearECOC`	Modelo de códigos de salida de corrección de errores lineales con validación cruzada para la clasificación multiclase de datos de alta cota

Funciones

`fitglm`	Cree un modelo de regresión lineal generalizado
`stepwiseglm`	Cree un modelo de regresión lineal generalizado mediante la regresión escalonada
`compact`	Modelo de regresión lineal generalizada compacta
`disp`	Mostrar modelo de regresión lineal generalizada
`feval`	Evalúe la predicción del modelo de regresión lineal generalizada
`predict`	Predecir la respuesta del modelo de regresión lineal generalizada
`random`	Simular respuestas para el modelo de regresión lineal generalizada

`fitclinear`	Ajuste el modelo de clasificación lineal a datos de alta cota
`templateLinear`	Plantilla de aprendizaje de clasificación lineal
`fitcecoc`	Ajuste modelos multiclase para máquinas de vectores de soporte u otros clasificadores
`predict`	Predecir etiquetas para modelos de clasificación lineal
`fitckernel`	Ajuste el modelo de clasificación de kernel gaussiano utilizando la expansión de características aleatorias
`predict`	Predecir etiquetas para el modelo de clasificación de kernel gaussiano

`mnrfit`	La regresión logística multinomial
`mnrval`	Los valores de regresión logística multinomial

`glmfit`	Regresión de modelo lineal generalizada
`glmval`	Los valores del modelo lineal generalizado

plotPartialDependence Cree parcelas de dependencia parcial (PDP) y de expectativa condicional individual (ICE)

Ejemplos y procedimientos

Flujo de trabajo de modelo lineal generalizado

Ajuste un modelo lineal generalizado y analice los resultados.

Entrenar clasificadores de regresión logística mediante la aplicación de clasificación aprendiz

Cree y compare clasificadores de regresión logística y exporte modelos entrenados para realizar predicciones para nuevos datos.

Datos de ajuste con modelos lineales generalizados

En este ejemplo se muestra cómo ajustar y evaluar modelos lineales generalizados mediante y.glmfitglmval La regresión lineal ordinaria se puede utilizar para ajustar una línea recta, o cualquier función que sea lineal en sus parámetros, a los datos con errores normalmente distribuidos.

Análisis bayesiano para un modelo de regresión logística

Este ejemplo muestra cómo hacer inferencias bayesianas para un modelo de regresión logística usando.slicesample

Conceptos

Modelos lineales generalizados

Los modelos lineales generalizados utilizan métodos lineales para describir una relación potencialmente no lineal entre los términos predictores y una variable de respuesta.

Modelos multinomiales para respuestas nominales

Una variable de respuesta nominal tiene un conjunto restringido de valores posibles sin orden natural entre ellos. Un modelo de respuesta nominal explica y predice la probabilidad de que una observación esté en cada categoría de una variable de respuesta categórica.

Modelos multinomial para las respuestas ordinales

Una variable de respuesta ordinal tiene un conjunto restringido de valores posibles que caen en un orden natural. Un modelo de respuesta ordinal describe la relación entre las probabilidades acumulativas de las categorías y las variables predictoras.

Modelos multinomiales jerárquicos

Una variable de respuesta multinomial jerárquica (también conocida como respuesta multinomial secuencial o anidada) tiene un conjunto restringido de valores posibles que entran en categorías jerárquicas. Los modelos jerárquicos de regresión multinomial son extensiones de modelos de regresión binaria basadas en observaciones binarias condicionales.

La notación Wilkinson

La notación Wilkinson proporciona una manera de describir los modelos de regresión y medidas repetidas sin especificar valores de coeficiente.

Regresión lineal generalizada

Clases

Funciones

Ejemplos y procedimientos

Conceptos

Documentación de Statistics and Machine Learning Toolbox

Soporte

Mastering Machine Learning: A Step-by-Step Guide with MATLAB