このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。
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。多項分布ロジスティック回帰の場合、mnrfit 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。
オブジェクト
関数
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近似と評価。 - 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。 - 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。
多項分布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。 - 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。
You can also select a web site from the following list:
Americas
- América Latina (Español)
- Canada (English)
- United States (English)
Europe
- Belgium (English)
- Denmark (English)
- Deutschland (Deutsch)
- España (Español)
- Finland (English)
- France (Français)
- Ireland (English)
- Italia (Italiano)
- Luxembourg (English)
- Netherlands (English)
- Norway (English)
- Österreich (Deutsch)
- Portugal (English)
- Sweden (English)
- Switzerland
- United Kingdom (English)