random

Simular respuestas con ruido aleatorio para un modelo de regresión lineal

Sintaxis

ysim = random(mdl,Xnew)

Descripción

ysim = random(mdl,Xnew) simula respuestas a los datos predictores de Xnew utilizando el modelo lineal mdl, añadiendo ruido aleatorio.

Ejemplos

Simular datos de respuesta con ruido aleatorio

Cree un modelo cuadrático del consumo de un vehículo como una función de ponderación a partir del conjunto de datos carsmall.

load carsmall
X = Weight;
y = MPG;
mdl = fitlm(X,y,'quadratic');

Cree respuestas simuladas a los datos con ruido aleatorio.

ysim = random(mdl,X);

Represente las respuestas originales y las respuestas simuladas para ver en qué difieren.

plot(X,y,'o',X,ysim,'x')
legend('Data','Simulated')

Argumentos de entrada

mdl — Objeto de modelo de regresión lineal

objeto LinearModel | objeto CompactLinearModel

Objeto de modelo de regresión lineal, especificado como un objeto LinearModel creado utilizando fitlm o stepwiselm, o un objeto CompactLinearModel creado utilizando compact.

Xnew — Nuevos valores predictores de entrada

tabla | matriz

Nuevos valores predictores de entrada, especificados como una tabla o una matriz. Cada fila de Xnew corresponde a una observación y cada columna, a una variable.

• Si Xnew es una tabla, debe contener predictores que tengan los mismos nombres que los predictores en la propiedad PredictorNames de mdl.

• Si Xnew es una matriz, debe tener el mismo número de variables (columnas) y en el mismo orden que la entrada de predictores utilizada para crear mdl. Todas las variables empleadas para crear mdl deben ser numéricas. Para tratar predictores numéricos como variables categóricas, especifique los predictores mediante el argumento nombre-valor CategoricalVars al crear mdl.

Tenga en cuenta que Xnew también debe contener las variables predictoras no utilizadas como predictores en el modelo ajustado.

Tipos de datos: single | double | table

Argumentos de salida

ysim — Valores de respuesta simulados

vector numérico

Valor de respuesta simulado, devuelto como vector numérico. El valor simulado son los valores de respuesta predichos en Xnew alterados por ruido aleatorio. El ruido es independiente y está distribuido normalmente, con media igual a cero y varianza igual a la varianza del error estimado del modelo.

Funcionalidad alternativa

Para realizar predicciones sin ruido aleatorio, utilice predict o feval. Estas dos funciones dan las mismas predicciones.

• predict acepta un único argumento de entrada que contiene todas las variables predictoras y proporciona intervalos de confianza en sus predicciones.

• feval acepta múltiples argumentos de entrada con una entrada para cada variable predictora.

Capacidades ampliadas

Generación de código C/C++

Genere código C y C++ mediante MATLAB® Coder™.

Notas y limitaciones de uso:

• Use saveLearnerForCoder, loadLearnerForCoder y codegen (MATLAB Coder) para generar código para la función random. Guarde un modelo entrenado con saveLearnerForCoder. Defina una función de punto de entrada que cargue el modelo guardado utilizando loadLearnerForCoder y llame a la función random. Después, use codegen para generar código para la función de punto de entrada.

• random puede devolver una secuencia de números diferente de la de MATLAB^® si alguna de las siguientes opciones es verdadera:

  • La salida no es un escalar.

  • Un parámetro de entrada no es válido para la distribución.

• Esta tabla contienes notas sobre los argumentos de random. Los argumentos no incluidos en esta tabla son totalmente compatibles.

  Argumento	Notas y limitaciones
  mdl	Supongamos que entrena un modelo lineal utilizando fitlm y especificando 'RobustOpts' como una estructura con un identificador de función anónima para el campo RobustWgtFun; use saveLearnerForCoder para guardar el modelo y, luego, use loadLearnerForCoder para cargar el modelo. En este caso, loadLearnerForCoder no puede restaurar la propiedad Robust al área de trabajo de MATLAB. No obstante, loadLearnerForCoder puede cargar el modelo en el momento de la compilación dentro de una función de punto de entrada para la generación de código. Para ver las notas y limitaciones del objeto de modelo, consulte Code Generation del objeto CompactLinearModel.
  Xnew	Xnew debe ser una matriz de precisión simple o doble, o una tabla que contenga variables numéricas, variables categóricas o ambas. El número de filas, u observaciones, de Xnew puede ser de tamaño variable, pero el número de columnas de Xnew debe ser fijo. Si desea especificar Xnew como una tabla, el modelo se debe entrenar utilizando una tabla y debe asegurarse de que la función de punto de entrada para la predicción: Acepta datos como arreglos. Crea una tabla a partir de los argumentos de entrada de datos y especifica los nombres de las variables en la tabla. Pasa la tabla a predict. Para ver un ejemplo del flujo de trabajo de esta tabla, consulte Generate Code to Classify Data in Table. Para obtener más información sobre el uso de tablas en la generación de código, consulte Code Generation for Tables (MATLAB Coder) y Table Limitations for Code Generation (MATLAB Coder).

Para obtener más información, consulte Introduction to Code Generation.

Arreglos GPU

Acelere código mediante la ejecución en una unidad de procesamiento gráfico (GPU) mediante Parallel Computing Toolbox™.

Esta función es totalmente compatible con los arreglos de GPU. Para obtener más información, consulte Run MATLAB Functions on a GPU (Parallel Computing Toolbox).

Historial de versiones

Introducido en R2012a

Consulte también

CompactLinearModel | LinearModel | predict | feval

Temas

• Predict or Simulate Responses to New Data
• Linear Regression Workflow
• Interpret Linear Regression Results
• Linear Regression