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

Regresión

Técnicas lineales, lineales, no lineales y no paramétricas para el aprendizaje supervisado

Los modelos de regresión describen la relación entre una variable de respuesta (salida) y una o más variables predictoras (entrada). le permite ajustar modelos de regresión lineal, lineal generalizada y no lineal, incluidos modelos escalonados y modelos de efectos mixtos.Statistics and Machine Learning Toolbox™ Una vez que se ajusta a un modelo, puede usarlo para predecir o simular respuestas, evaluar el ajuste del modelo mediante pruebas de hipótesis o utilizar trazados para visualizar diagnósticos, residuos y efectos de interacción.

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.Statistics and Machine Learning Toolbox Puede predecir las respuestas de los nuevos datos mediante el modelo entrenado. Los modelos de regresión de procesos gaussianos también le permiten calcular intervalos de predicción.

Ejemplos destacados