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。
回帰
線形、一般化線形、非線形およびノンパラメトリック方式による教師あり学習
回帰モデルでは、応答 (出力) 変数と 1 つ以上の予測子 (入力) 変数の間の関係を記述します。Statistics and Machine Learning Toolbox™ では、ステップワイズ モデルや混合効果モデルなど、線形、一般化線形および非線形の回帰モデルを当てはめることができます。モデルを当てはめたら、そのモデルを使用して、応答の予測またはシミュレート、仮説検定によるモデルの適合性の評価、またはプロットの使用による診断、残差および交互作用効果の可視化を行うことができます。
Statistics and Machine Learning Toolbox には、事前に決定した回帰関数で応答と予測子の関係を指定せずにより複雑な回帰曲線に対応するためのノンパラメトリック回帰法も用意されています。新しいデータに対する応答は、学習済みのモデルを使用して予測できます。ガウス過程回帰モデルでは予測区間を計算することもできます。
カテゴリ
- 回帰学習器アプリ
回帰モデルの対話的な学習、検定、調整
- 線形回帰
重回帰モデル、ステップワイズ回帰モデル、多変量回帰モデルなど
- 一般化線形モデル
ロジスティック回帰、多項回帰、ポアソン回帰など
- 非線形回帰
非線形固定効果と混合効果の回帰モデル
- サポート ベクター マシン回帰
回帰モデル用のサポート ベクター マシン
- ガウス過程回帰
ガウス過程回帰モデル (クリギング)
- 回帰木
回帰用の二分決定木
- アンサンブル回帰木
ランダム フォレスト、ブースティングおよびバギング回帰木
- 一般化加法モデル
回帰用の一変量および二変量形状関数から構成される解釈可能なモデル
- ニューラル ネットワーク
回帰用のニューラル ネットワーク
- インクリメンタル学習
回帰用線形モデルのストリーミング データへの当てはめと、そのパフォーマンスの追跡
- 直接予想
規則的にサンプリングされた時系列データを使用した直接予想の実行
- 解釈可能性
解釈可能な回帰モデルの学習と複雑な回帰モデルの解釈
- モデルの作成と評価
特徴選択、特徴量エンジニアリング、モデル選択、ハイパーパラメーターの最適化、交差検証、残差診断、プロット
- Python モデルの相互実行
予測のために Simulink で Python 機械学習モデルを読み込んで相互実行