超类:
紧凑线性回归模型类
CompactLinearModel
是一个紧凑的线性回归模型对象。它比完整的拟合线性回归模型消耗更少的内存(LinearModel
模型),因为它不存储用于适应模型的数据。因为紧凑模型不存储输入数据,所以不能使用它执行某些任务。但是,您可以使用紧凑的线性回归模型来预测使用新输入数据的响应。
返回一个紧凑的线性回归模型compactMdl
=紧凑(mdl
)compactMdl
从完全拟合的线性回归模型mdl
.有关更多信息,请参见紧凑的
.
mdl
—完整的、拟合的线性回归模型LinearModel
对象完全的,拟合的线性回归模型,指定为LinearModel
对象。
CoefficientCovariance
—系数估计的协方差矩阵系数估计的协方差矩阵,存储为P——- - - - - -P数值矩阵。P是拟合模型中的系数数。
CoefficientNames
—系数的名字系数名称,存储为字符向量的单元数组,包含每个系数的标签。
系数
—系数值系数值,存储为表。系数
每个系数有一行和以下列:
估计
-估计系数值
SE
-估计的标准误差
tStat
—T系数为零的测试的统计信息
pValue
—P价值的T统计
要获得这些列中的任何一列作为向量,请使用点表示法对属性进行索引mdl
估计的系数向量为
β= mdl.Coefficients.Estimate
使用coefTest
对系数进行其他测试。
DFE
—误差的自由度误差自由度(残差),等于观测数减去估计系数数,存储为正整数值。
公式
—模型信息LinearFormula
对象|NonLinearFormula
对象模型信息,存储为LinearFormula
反对或NonLinearFormula
对象。如果你符合一个线性或广义线性回归模型,那么公式
是一个LinearFormula
对象。如果你符合非线性回归模型,那么公式
是一个NonLinearFormula
对象。
LogLikelihood
—对数似然响应值处模型分布的对数似然,存储为数值。平均值由模型拟合,其他参数作为模型拟合的一部分进行估计。
ModelCriterion
—模型比较准则模型比较标准,存储为具有以下字段的结构:
艾克
-赤池信息准则。AIC = -2 *logL + 2*m
,在那里logL
是对数可能性和M
为估计参数的个数。
AICc
-赤池信息标准修正的样本量。AIC = AIC + (2*m*(m+1))/(n-m-1)
,在那里N
为观察次数。
比克
-贝叶斯信息准则。BIC = -2 *logL + m*log(n)
.
中安集团经贸
-一致的赤池信息准则。CAIC = -2 *logL + m*(log(n)+1)
.
信息标准是模型选择工具,您可以使用它来比较适合同一数据的多个模型。这些标准是基于可能性的模型拟合度量,其中包括对复杂性的惩罚(特别是参数的数量)。不同的信息标准通过惩罚的形式来区分。
当比较多个模型时,信息准则值最低的模型是拟合最好的模型。最佳拟合模型可以根据模型比较所用的标准而变化。
要以标量形式获得任何标准值,请使用点表示法对属性进行索引。例如,在模型中mdl
, AIC值艾克
是:
aic = mdl.ModelCriterion.AIC
均方误差
—均方误差均方误差(残差),存储为数值。均方误差计算为均方误差=上交所/DFE,在那里均方误差为均方误差,上交所是误差平方和,和DFE是自由度。
NumCoefficients
—模型系数数存储为正整数的模型系数数。NumCoefficients
包括当模型项缺少秩时设置为零的系数。
NumEstimatedCoefficients
—估计系数数模型中估计系数的数目,存储为正整数。NumEstimatedCoefficients
不包括当模型项缺乏等级时被设为零的系数。NumEstimatedCoefficients
是回归的自由度。
NumObservations
—数量的观察观测数拟合中使用的拟合函数,存储为正整数。这是原始表、数据集或矩阵中提供的观测数减去任何排除的行(使用被排除在外
名称-值对)或缺少值的行。
NumPredictors
—预测变量数用于拟合模型的预测变量数,存储为正整数。
NumVariables
—变量数输入数据中存储为正整数的变量数。NumVariables
为原始表或数据集中的变量数,或预测器矩阵和响应向量中基于这些数组进行拟合时的列总数。它包括不用作预测器或响应的变量(如果有的话)。
PredictorNames
—用于拟合模型的预测值的名称用于拟合模型的预测器的名称,存储为字符向量的单元数组。
反应胺
—响应变量名响应变量名,存储为字符向量。
RMSE
—均方根误差均方根误差(残差),存储为数值。均方根误差(RMSE)等于RMSE=√均方误差),在那里均方误差是均方误差。
Rsquared
—模型的r平方值模型的r平方值,存储为一个结构。
对于线性或非线性模型,Rsquared
是一个包含两个字段的结构:
普通的
-普通(未调整)r平方
调整
-调整系数数量的R平方
对于广义线性模型,Rsquared
是一个包含五个字段的结构:
普通的
-普通(未调整)r平方
调整
-调整系数数量的R平方
LLR
-对数似然比
异常
——异常
形容词
-调整广义r平方
r平方值是模型所解释的总平方和的比例。一般的r平方值与苏维埃社会主义共和国
和风场
属性:
Rsquared = SSR/SST = 1 - SSE/SST
.
若要以标量形式获取这些值中的任何一个,请使用点表示法对属性进行索引mdl
是
r2=mdl.Rsquared.Adjusted
上交所
—误差平方和平方误差(残差)之和,存储为数值。
毕达哥拉斯定理暗示
SST = sse + SSR
.
苏维埃社会主义共和国
—回归平方和回归平方和,存储为一个数值。回归平方和等于拟合值离均值的方差平方和。
毕达哥拉斯定理暗示
SST = sse + SSR
.
风场
—总平方和以数字形式存储的平方和的总和。总平方和等于响应向量的偏差平方和Y
从平均值(y)
.
毕达哥拉斯定理暗示
SST = sse + SSR
.
VariableInfo
—关于输入变量的信息包含的有关输入变量的信息变量
,存储为一个表,每个模型术语和以下列对应一行。
领域 | 描述 |
---|---|
类 |
字符向量给出的变量类,如“双人” |
范围 |
单元阵列提供可变范围:
|
InModel |
逻辑向量,真正的 指示变量在模型中 |
IsCategorical |
逻辑向量,真正的 表示分类变量 |
变化无常
—fit中使用的变量名称fit中使用的变量名,存储为字符向量的单元格数组。
如果适合基于表或数据集,则此属性提供该表或数据集中的变量名称。
如果拟合是基于预测矩阵和响应向量,变化无常
值在VarNames
拟合方法的名称-值对。
否则,变量具有默认的合适名称。
方差分析 | 线性模型的方差分析 |
科菲奇 | 线性模型系数估计的置信区间 |
coefTest | 线性回归模型系数的线性假设检验 |
disp | 显示线性回归模型 |
函数宏指令 | 评价线性回归模型预测 |
情节效应 | 绘制线性回归模型中各预测因子的主效应图 |
情节互动 | 线性回归模型中两个预测因子的相互作用效应 |
plotSlice | 通过拟合的线性回归曲面绘制切片图 |
预测 | 预测线性回归模型的响应 |
随机的 | 模拟线性回归模型的响应 |
价值。要了解值类如何影响复制操作,请参见复制对象(MATLAB)。
这个例子展示了如何通过丢弃样本数据和一些与拟合过程相关的信息来减小完整的拟合线性回归模型的大小。
将数据加载到工作区中。
负载(fullfile (matlabroot“例子”,“统计数据”,“largedata4reg.mat”))
模拟样本数据包含15,000个观测值和45个预测变量。
对数据拟合一个简单的线性回归模型。
mdl = fitlm (X, Y)
mdl =线性回归模型:y ~[45个预测因子中46项的线性公式]估算SE tStat pValue ___________ __________ ___________ ___________ (Intercept) 3.2903 1.2333e-05 2.6679e+05 0 x1 -0.0006461 5.9019e-09 -1.0947e+05 0 x2 -0.00024739 1.0256e-08 -24121 0 x3 -9.5161e-05 1.3149e-08 -7236.9 0 x4 0.00013143 1.8311e-08 7177.3 0 x5 7.163e-05 2.337e -08 3065.4 0 x6 4.5064e-06 2.6264e-08 171.58 0 x7 -2.6258e-05 3.006e-08-873.51 0 x8 6.284e-05 3.0262e-08 2076.5 0 x9 -0.00014288 3.3258e-08 -4296.1 0 x10 -2.2642e-05 3.6555e-08 -619.41 0 x11 -6.0227e-05 3.7353e-08 -1612.4 0 x12 1.1665e-05 4.0048e-08 291.27 0 x13 3.8595e-05 4.203e-08 918.26 0 x14 0.00010021 4.7592e-08 2105.5 0 x15 -6.5674e-06 4.9221e-08 -133.43 0 x16 8.5598e-06 5.0296e-08 170.19 0 x17 -3.9107e-05 5.3e-08 -737.87 0 x18 -6.5841e-06 5.5355e-08 -118.94 0 x19 -1.7053e-05 5.7431e-08 -296.94 0 x20 -3.8911e-06 6.2724e-08 -62.036 0 x21 -9.7219e-06 6.3515e-08 -153.06 0 x22 -1.8749e-06 6.5388e-08 -28.673 4.6032e-176 x23 -4.7514e-06 6.6636e-08 -71.303 0 x24 -1.7756e-05 6.8495e-08 -259.23 0 x25 -9.6673e-06 7.0054e-08 -138 0 x26 7.6237e-06 7.2442e-08 105.24 0 x27 -8.4338e-07 7.7519e-08 -10.88 1.8249e-27 x28 7.0502e-06 8.1889e-08 86.094 0 x29 -1.4703e-05 8.7126e-08 -168.75 0 x30 2.7008e-05 9.0084e-08 299.8 0 x31 6.3685e-07 9.1253e-08 6.979 3.0977e-12 x32 -1.9916e-05 1.0034e-07 -198.48 0 x33 1.7369e-05 1.019e-07 170.45 0 x34 -9.931e-06 1.0706e-07 -92.764 0 x35 -1.5195e-05 1.0858e-07 -139.94 0 x36 -1.0118e-05 1.1122e-07 -90.976 0 x37 2.4595e-06 1.1254e-07 21.856 2.9315e-104 x38 -2.2928e-06 1.1493e-07 -19.95 2.0535e-87 x39 1.1397e-05 1.1855e-07 96.136 0 x40 4.0239e-06 1.2327e-07 32.643 7.75e-226 x41 -8.6667e-06 1.2535e-07 -69.142 0 x42 -8.2932e-06 1.3095e-07 -63.334 0 x43 2.7309e-06 1.3452e-07 20.301 2.0697e-90 x44 -6.9235e-06 1.3725e-07 -50.444 0 x45 1.1165e-06 1.4021e-07 7.9633 1.7956e-15 Number of observations: 15000, Error degrees of freedom: 14954 Root Mean Squared Error: 0.00151 R-squared: 1, Adjusted R-Squared 1 F-statistic vs. constant model: 2.82e+08, p-value = 0
紧凑的模型。
compactMdl =紧凑(mdl)
compactMdl =紧凑线性回归模型:y ~[45个预测因子中46项的线性公式]估算SE tStat pValue ___________ __________ ___________ ___________ (Intercept) 3.2903 1.2333e-05 2.6679e+05 0 x1 -0.0006461 5.9019e-09 -1.0947e+05 0 x2 -0.00024739 1.0256e-08 -24121 0 x3 -9.5161e-05 1.3149e-08 -7236.9 0 x4 0.00013143 1.8311e-08 7177.3 0 x5 7.163e-05 2.337e -08 3065.4 0 x6 4.5064e-06 2.6264e-08 171.58 0 x7 -2.6258e-05 3.006e-08-873.51 0 x8 6.284e-05 3.0262e-08 2076.5 0 x9 -0.00014288 3.3258e-08 -4296.1 0 x10 -2.2642e-05 3.6555e-08 -619.41 0 x11 -6.0227e-05 3.7353e-08 -1612.4 0 x12 1.1665e-05 4.0048e-08 291.27 0 x13 3.8595e-05 4.203e-08 918.26 0 x14 0.00010021 4.7592e-08 2105.5 0 x15 -6.5674e-06 4.9221e-08 -133.43 0 x16 8.5598e-06 5.0296e-08 170.19 0 x17 -3.9107e-05 5.3e-08 -737.87 0 x18 -6.5841e-06 5.5355e-08 -118.94 0 x19 -1.7053e-05 5.7431e-08 -296.94 0 x20 -3.8911e-06 6.2724e-08 -62.036 0 x21 -9.7219e-06 6.3515e-08 -153.06 0 x22 -1.8749e-06 6.5388e-08 -28.673 4.6032e-176 x23 -4.7514e-06 6.6636e-08 -71.303 0 x24 -1.7756e-05 6.8495e-08 -259.23 0 x25 -9.6673e-06 7.0054e-08 -138 0 x26 7.6237e-06 7.2442e-08 105.24 0 x27 -8.4338e-07 7.7519e-08 -10.88 1.8249e-27 x28 7.0502e-06 8.1889e-08 86.094 0 x29 -1.4703e-05 8.7126e-08 -168.75 0 x30 2.7008e-05 9.0084e-08 299.8 0 x31 6.3685e-07 9.1253e-08 6.979 3.0977e-12 x32 -1.9916e-05 1.0034e-07 -198.48 0 x33 1.7369e-05 1.019e-07 170.45 0 x34 -9.931e-06 1.0706e-07 -92.764 0 x35 -1.5195e-05 1.0858e-07 -139.94 0 x36 -1.0118e-05 1.1122e-07 -90.976 0 x37 2.4595e-06 1.1254e-07 21.856 2.9315e-104 x38 -2.2928e-06 1.1493e-07 -19.95 2.0535e-87 x39 1.1397e-05 1.1855e-07 96.136 0 x40 4.0239e-06 1.2327e-07 32.643 7.75e-226 x41 -8.6667e-06 1.2535e-07 -69.142 0 x42 -8.2932e-06 1.3095e-07 -63.334 0 x43 2.7309e-06 1.3452e-07 20.301 2.0697e-90 x44 -6.9235e-06 1.3725e-07 -50.444 0 x45 1.1165e-06 1.4021e-07 7.9633 1.7956e-15 Number of observations: 15000, Error degrees of freedom: 14954 Root Mean Squared Error: 0.00151 R-squared: 1, Adjusted R-Squared 1 F-statistic vs. constant model: 2.82e+08, p-value = 0
紧凑模型丢弃原始样本数据和一些与拟合过程相关的信息。
比较完整模型的大小mdl
和紧凑模型compactMdl
.
vars=谁(“compactMdl”,“mdl”);(var (1) .bytes一样,var (2) .bytes]
ans=1×283329 11410264
压缩模型比完整模型消耗更少的内存。
使用注意事项及限制:
当你用菲特姆
或stepwiselm
,则不能在至少包含一个分类预测值的表中提供训练数据,并且不能使用“CategoricalVars”
名称-值对的论点。代码生成不支持分类预测器。万博1manbetx若要将希望作为分类处理的变量伪代码,请使用杜姆瓦尔
在安装模型之前。
有关代码生成示例,请参见用于预测的代码生成工作流和为代码生成指定大小可变的参数.有关更多信息,请参见代码生成.
您单击了与此MATLAB命令对应的链接:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。万博1manbetx
你也可以从以下列表中选择一个网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家/地区站点不适合您所在位置的访问。