嗨，我想對回歸技術(shù)進(jìn)行全面分析，因此將繼續(xù)編輯這個問題 . 我正在嘗試使用Matlab中提供的技術(shù)來解決回歸問題 . 理想情況下，我想看看諸如此類的技巧

線性回歸

Logistic回歸

貝葉斯回歸

支持向量回歸

回歸的高斯過程

問題陳述

給定數(shù)據(jù) X 和 Y ，其大小為 333x128 和 333x1 ，其中 333 是訓(xùn)練示例的數(shù)量， 128 是要素尺寸 . 我正在解決的問題是回歸問題和 not a classification one . 我打算在Matlab中完成上述所有操作 .

線性回歸

線性回歸的代碼如下：它從“hald”數(shù)據(jù)集中獲取輸入數(shù)據(jù)，并將前10個元素用于訓(xùn)練目的，接下來的3個元素用于測試目的 . 最后一行打印輸出，即預(yù)測值和實(shí)際標(biāo)簽 .

clc; clear all; close all;

load hald

X = ingredients; % Predictor variables

y = heat; % Response

mdl = fitlm(X(1:10,:),y(1:10,:));

predicted_values = feval(mdl,X(11:end,:));

[y(11:end,:) predicted_values]

輸出如下：

ans =

83.8000 80.2845

113.3000 112.8545

109.4000 112.5293

但是，任何人都可以向我解釋廣義線性回歸模型的含義嗎？在matlab中，有兩個專門用于此的命令：glmfit / glmval和fitglm / feval .

應(yīng)用廣義線性規(guī)則模型的代碼如下：

mdl = fitglm(X(1:10,:),y(1:10,:),'quadratic');

predicted_values = feval(mdl,X(11:end,:));

error = sum((y(11:end,:)-predicted_values).^2)

[b, dev] = glmfit(X(1:10,:),y(1:10,:),'normal','link','identity');

predicted_values = glmval(b,X(11:end,:),'identity');

error = sum((y(11:end,:)-predicted_values).^2)

What is the difference between the two operations ?

此外 glmfit 有一個名為 distr 和 link 的術(shù)語 . 這種分布是什么意思？如何選擇最佳分銷？對于上面的例子，僅基于數(shù)據(jù)如何估計(jì)apriori的分布？

另外據(jù)我所知，鏈接功能用于 Build 線性模型和響應(yīng)變量之間的鏈接 . 這是否意味著邏輯回歸是廣義線性回歸模型的子集？我在wiki link閱讀了詳細(xì)信息，但無法理清我的懷疑 .

支持向量回歸

線性回歸的代碼如下：這里我可以選擇標(biāo)準(zhǔn)化數(shù)據(jù) . 我選擇的內(nèi)核是具有自動縮放的rbf內(nèi)核 . 許多選項(xiàng)，如多項(xiàng)式內(nèi)核，高斯內(nèi)核，線性等也可用 .

mdl = fitrsvm(X(1:10,:),y(1:10,:),'KernelFunction','rbf','KernelScale','auto','Standardize',true);

predicted_values = predict(mdl,X(11:end,:));

Logistic回歸

我無法使用邏輯回歸來解決這個回歸問題 . 我有各種各樣的來源，他們總是解決了分類問題，但我的標(biāo)簽空間是連續(xù)的而不是離散的 . 在這個wiki article中明確指出 As such it is not a classification method . 但是基于答案here和here在我看來 logistic regression can only be used for classification ?

我也經(jīng)歷了mnrfit / mnrval教程，但他們也處理了分類問題 .

請根據(jù)我的上述數(shù)據(jù)提供一個小例子來說明邏輯回歸如何用于回歸？

總結(jié)

以上是生活随笔為你收集整理的matlab的算法java_matlab环境下的回归算法分析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。