このページの内容は最新ではありません。最新版の英語を参照するには、ここをクリックします。
一般化線形回帰
ロジスティック回帰を含む、さまざまな分布およびリンク関数を備えた一般化線形回帰モデル
低~中次元のデータセットで精度を向上させリンク関数を選択するには、fitglm
を使用して一般化線形回帰モデルを当てはめます。多項ロジスティック回帰の場合、fitmnr
を使用してモデルを当てはめます。
高次元データセットの計算時間を短縮するには、fitclinear
を使用して、ロジスティック回帰モデルなどのバイナリ線形分類モデルに学習させます。また、fitcecoc
を使用して、ロジスティック回帰モデルから構成されるマルチクラス誤り訂正出力符号 (ECOC) モデルによる学習を効率的に行うこともできます。
ビッグ データが含まれている非線形分類の場合は、fitckernel
を使用して、ロジスティック回帰をもつバイナリ ガウス カーネル分類モデルに学習をさせます。
ブロック
ClassificationLinear Predict | 線形分類モデルを使用した観測値の分類 (R2023a 以降) |
関数
オブジェクト
トピック
一般化線形回帰
- 一般化線形モデル
一般化線形モデルは、線形手法を使用して、予測子項と応答変数との間の潜在的な非線形関係を説明します。 - 一般化線形モデルのワークフロー
一般化線形モデルを当てはめ、結果を分析します。 - 一般化線形モデルによるデータの近似
glmfit
とglmval
を使用した、一般化線形モデルの当てはめと評価。 - 分類学習器アプリを使用したバイナリ GLM ロジスティック回帰分類器の学習
バイナリ ロジスティック回帰分類器を作成および比較し、新しいデータについて予測を行うために学習済みモデルをエクスポートする。 - ClassificationLinear Predict ブロックの使用によるクラス ラベルの予測
この例では、ClassificationLinear Predictブロックを Simulink® のラベル予測に使用する方法を示します。 (R2023a 以降) - ウィルキンソンの表記法
ウィルキンソンの表記法を使用すると、係数の値を指定せずに回帰と反復測定のモデルを記述できます。
多項ロジスティック回帰
- ノミナル応答の多項モデル
ノミナル応答変数は取りうる値が制限されており、値に自然な順序がありません。ノミナル応答モデルは、観測値がカテゴリカル応答変数の各カテゴリに含まれる確率を説明および予測します。 - 順序応答の多項モデル
順序応答変数は取りうる値が制限されており、値は自然な順序に分類されます。順序応答モデルは、カテゴリの累積確率と予測子変数の関係を説明します。 - Multinomial Models for Hierarchical Responses
A hierarchical multinomial response variable (also known as a sequential or nested multinomial response) has a restricted set of possible values that fall into hierarchical categories. The hierarchical multinomial regression models are extensions of binary regression models based on conditional binary observations.