Regressione
I modelli di regressione descrivono la relazione tra una variabile di risposta (output) e una o più variabili predittive (input). Per scoprire i modelli di regressione in modo interattivo, utilizzare l'app Regression Learner. Statistics and Machine Learning Toolbox™ consente di adattare modelli di regressione lineare, lineare generalizzata e non lineare, compresi i modelli stepwise e quelli a effetti misti. Una volta adattato un modello, è possibile utilizzarlo per prevedere o simulare le risposte, valutare l'adattamento del modello mediante test di ipotesi oppure utilizzare grafici per visualizzare la diagnostica, i residui e gli effetti di interazione.
Statistics and Machine Learning Toolbox fornisce inoltre metodi di regressione non parametrica che consentono di rappresentare curve di regressione più complesse, senza dover specificare la relazione tra la risposta e i predittori mediante una funzione di regressione prestabilita. È possibile prevedere le risposte relative a nuovi dati utilizzando il modello addestrato. I modelli di regressione basati sui processi gaussiani consentono inoltre di calcolare gli intervalli di previsione.
Categorie
- App Regressione Learner
Addestrare, validare e ottimizzare i modelli di regressione in modo interattivo
- Regressione lineare
Modelli di regressione multipla, stepwise e multivariata e altro ancora
- Modelli lineari generalizzati
Regressione logistica, regressione multinomiale, regressione di Poisson e altro ancora
- Regressione non lineare
Modelli di regressione non lineare a effetti fissi e misti
- Regressione con Support Vector Machine
Support Vector Machine per i modelli di regressione
- Regressione con processo gaussiano
Modelli di regressione basati sul processo gaussiano (kriging)
- Alberi di regressione
Alberi di decisione binari per la regressione
- Insiemi di alberi di regressione
Foreste casuali, boosting e bagging degli alberi di regressione
- Modello additivo generalizzato
Modello interpretabile composto da funzioni di forma univariate e bivariate per la regressione
- Reti neurali
Reti neurali per la regressione
- Apprendimento incrementale
Adattare un modello lineare per la regressione ai dati in streaming e monitorarne le prestazioni
- Previsioni dirette
Eseguire previsioni dirette utilizzando dati di serie temporali campionati a intervalli regolari
- Interpretabilità
Addestrare modelli di regressione interpretabili e interpretare modelli di regressione complessi
- Costruzione e valutazione del modello
Generazione di dati sintetici, selezione delle feature, ingegneria delle feature, selezione dei modelli, ottimizzazione degli iperparametri, validazione incrociata, diagnostica dei residui e grafici
- Esecuzione contemporanea di modelli in Python
Caricare ed eseguire contemporaneamente modelli di Machine Learning in Python per la previsione in Simulink
Esempi in primo piano
Fitting Data with Generalized Linear Models
Fit and evaluate generalized linear models using glmfit
and glmval.
Bayesian Analysis for a Logistic Regression Model
Make Bayesian inferences for a logistic regression model using
slicesample.
Weighted Nonlinear Regression
Fit a nonlinear regression model for data with nonconstant error variance.
Partial Least Squares Regression and Principal Components Regression
Apply partial least squares regression (PLSR) and principal components regression (PCR), and explore the effectiveness of the two methods.
Automated Regression Model Selection with Bayesian and ASHA Optimization
Use fitrauto to automatically try a selection of regression model types with different hyperparameter values, given training predictor and response data.
Risorse didattiche
Nozioni di base sulla regressione
Imparare le nozioni di base dell'analisi di regressione e scoprire come risolvere, valutare e migliorare i modelli di regressione lineare.
Machine Learning per la regressione
Imparare i concetti di estrazione delle feature e di regressione e applicarli alla previsione delle serie temporali.
Machine Learning per le bioscienze
Imparare le nozioni di base del Machine Learning con esempi ispirati alla biologia.
