ドキュメンテーション

最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。

一般化線形回帰

制限された応答の回帰モデル

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モデルを近似させます。

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をさせます。また、fitcecoc を使用すると、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。

クラス

GeneralizedLinearModel一般化線形回帰モデル クラス
CompactGeneralizedLinearModelコンパクトな一般化線形回帰モデル クラス
ClassificationLinear高次元データのバイナリ分類用の線形モデル
ClassificationECOCサポート ベクター マシン (SVM) などの分類器用のマルチクラス モデル
ClassificationKernelランダムな特徴量拡張を使用したガウス カーネル分類モデル
ClassificationPartitionedLinear高次元データのバイナリ分類用の交差検証済み線形モデル
ClassificationPartitionedLinearECOC高次元データのマルチクラス分類用の交差検証済み線形誤り訂正出力符号モデル

関数

fitglm一般化線形回帰モデルの作成
stepwiseglmステップワイズ回帰による一般化線形回帰モデルの作成
compactコンパクトな一般化線形回帰モデル
disp一般化線形回帰モデルの表示
feval一般化線形回帰モデルの予測の評価
predict一般化線形回帰モデルの応答予測
random一般化線形回帰モデルの応答のシミュレーション
fitclinear高次元データに対する線形分類モデルのあてはめ
templateLinear線形分類学習器テンプレート
fitcecocサポート ベクター マシンまたはその他の分類器向けのマルチクラス モデルの近似
predict線形分類モデルのラベルの予測
fitckernelランダムな特徴量拡張を使用してガウス カーネル分類モデルをあてはめる
predictガウス カーネル分類モデルのラベルの予測
mnrfit多項分布ロジスティック回帰
mnrval多項分布ロジスティック回帰値
glmfit一般化線形モデル回帰
glmval一般化線形モデルの値
plotPartialDependence部分従属プロット (PDP) および個別条件付き期待値 (ICE) プロットの作成

例および操作のヒント

一般化線形モデルのワークフロー

一般化線形モデルをあてはめ、結果を分析します。

分類学習器アプリを使用したロジスティック回帰分類器の学習

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学習済みモデルをエクスポートします。

一般化線形モデルによるデータの近似

この例では、glmfitglmval を使用して、一般化線形モデルの近似と評価を行う方法を示します。

ロジスティック回帰モデルのベイズ解析

この例では、slicesample を使用してロジスティック回帰モデルでベイズの推論を行う方法を示します。

概念

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。

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。

階層型多項モデル

階層型多項応答変数 (逐次的多項応答または入れ子にされた多項応答とも呼ばれます) は取りうる値が制限されており、値は階層的なカテゴリに分類されます。階層型多項回帰モデルは、条件付きバイナリ観測値に基づくバイナリ回帰モデルの拡張です。

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。