이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.

random

선형 회귀 모델에 대해 랜덤 잡음이 있는 응답 변수 시뮬레이션

구문

ysim = random(mdl,Xnew)

설명

ysim = random(mdl,Xnew)는 선형 모델 mdl을 사용하고 랜덤 잡음을 추가하여 Xnew의 예측 변수 데이터에 대한 응답 변수를 시뮬레이션합니다.

예제

랜덤 잡음이 있는 응답 변수 데이터 시뮬레이션하기

carsmall 데이터 세트에서 자동차 주행거리의 2차 모델을 가중치의 함수로 만듭니다.

load carsmall
X = Weight;
y = MPG;
mdl = fitlm(X,y,'quadratic');

랜덤 잡음이 있는 데이터에 대해 시뮬레이션된 응답 변수를 만듭니다.

ysim = random(mdl,X);

원래 응답 변수와 시뮬레이션된 응답 변수를 플로팅하여 두 응답 변수가 어떻게 다른지 확인합니다.

plot(X,y,'o',X,ysim,'x')
legend('Data','Simulated')

입력 인수

mdl — 선형 회귀 모델 객체

LinearModel 객체 | CompactLinearModel 객체

선형 회귀 모델 객체로, fitlm 또는 stepwiselm을 사용하여 만든 LinearModel 객체 또는 compact를 사용하여 만든 CompactLinearModel 객체로 지정됩니다.

Xnew — 새 예측 변수 입력값

table형 | 행렬

새 예측 변수 입력값으로, 테이블 또는 행렬로 지정됩니다. Xnew의 각 행은 하나의 관측값에 대응되고, 각 열은 하나의 변수에 대응됩니다.

• Xnew가 테이블이면 mdl의 PredictorNames 속성에 있는 예측 변수와 이름이 동일한 예측 변수를 포함해야 합니다.

• Xnew가 행렬이면 mdl을 만드는 데 사용된 예측 변수 입력과 같은 순서로 같은 개수의 변수(열)를 가져야 합니다. mdl을 만드는 데 사용되는 모든 변수는 숫자형이어야 합니다. 숫자형 예측 변수를 범주형으로 처리하려면 mdl을 만들 때 CategoricalVars 이름-값 인수를 사용하여 예측 변수를 지정하십시오.

Xnew는 피팅된 모델에서 예측 변수로 사용되지 않는 예측 변수도 모두 포함해야 합니다.

데이터형: single | double | table

출력 인수

ysim — 시뮬레이션된 응답 변수 값

숫자형 벡터

시뮬레이션된 응답 변수 값으로, 숫자형 벡터로 반환됩니다. 시뮬레이션된 값은 랜덤 잡음에 의해 교란된 Xnew에서의 예측된 응답 변수 값입니다. 잡음은 독립적이고 정규분포되며, 평균은 0이고 분산은 모델의 추정된 오차 분산을 갖습니다.

대체 기능

랜덤 잡음이 없는 예측의 경우 predict 또는 feval을 사용합니다. 이 두 함수는 동일한 예측값을 제공합니다.

• predict는 모든 예측 변수가 포함된 단일 입력 인수를 받고 해당 예측에 대한 신뢰구간을 제공합니다.

• feval은 복수의 입력 인수를 받으며 각 입력 인수가 각 예측 변수에 대응합니다.

확장 기능

C/C++ 코드 생성

MATLAB® Coder™를 사용하여 C 코드나 C++ 코드를 생성할 수 있습니다.

사용법 관련 참고 및 제한 사항:

• saveLearnerForCoder, loadLearnerForCoder, codegen (MATLAB Coder)을 사용하여 random에 대한 코드를 생성합니다. saveLearnerForCoder를 사용하여 훈련된 모델을 저장합니다. loadLearnerForCoder를 사용하여 저장된 모델을 불러오고 random 함수를 호출하는 진입점 함수를 정의합니다. 그런 다음 codegen을 사용하여 진입점 함수에 대한 코드를 생성합니다.

• random은 다음 중 하나에 해당하는 경우 MATLAB^®과 다른 수열을 반환할 수 있습니다.

  • 출력값이 비 스칼라입니다.

  • 입력 모수가 분포에 유효하지 않습니다.

• 다음 표에는 random의 인수에 대한 참고 사항 포함되어 있습니다. 이 표에 포함되지 않은 인수는 완전히 지원됩니다.

  인수	참고 및 제한 사항
  mdl	fitlm을 사용하고 'RobustOpts'를 RobustWgtFun 필드에 대한 익명 함수 핸들을 가진 구조체로 지정하여 선형 모델을 훈련시키고 saveLearnerForCoder를 사용하여 모델을 저장한 다음 loadLearnerForCoder를 사용하여 모델을 불러온다고 가정하겠습니다. 이 경우, loadLearnerForCoder는 Robust 속성을 MATLAB 작업 공간으로 복원할 수 없습니다. 그러나 loadLearnerForCoder는 코드 생성을 위해 컴파일 시점에 진입점 함수 내에서 모델을 불러올 수 있습니다. 모델 객체의 사용법 관련 참고 및 제한 사항은 CompactLinearModel 객체에 대한 코드 생성 항목을 참조하십시오.
  Xnew	Xnew는 단정밀도 또는 배정밀도 행렬이거나 숫자형 변수, 범주형 변수 또는 둘 다 포함하는 테이블이어야 합니다. Xnew의 행 개수 또는 관측값 개수는 가변 크기를 가질 수 있지만, Xnew의 열 개수는 고정되어야 합니다. Xnew를 테이블로 지정하려면 테이블을 사용하여 모델을 훈련해야 하며, 예측을 위한 진입점 함수는 다음을 수행해야 합니다. 데이터를 배열로 받음 데이터 입력 인수에서 테이블을 생성하고 테이블에 변수 이름 지정 테이블을 predict로 전달 이 테이블 워크플로의 예제는 Generate Code to Classify Data in Table 항목을 참조하십시오. 코드 생성에 테이블을 사용하는 방법에 대한 자세한 내용은 Code Generation for Tables (MATLAB Coder) 항목 및 Table Limitations for Code Generation (MATLAB Coder) 항목을 참조하십시오.

자세한 내용은 Introduction to Code Generation for Statistics and Machine Learning Functions 항목을 참조하십시오.

GPU 배열

Parallel Computing Toolbox™를 사용해 GPU(그래픽스 처리 장치)에서 실행하여 코드 실행 속도를 높일 수 있습니다.

이 함수는 GPU 배열을 완전히 지원합니다. 자세한 내용은 GPU에서 MATLAB 함수 실행하기 (Parallel Computing Toolbox) 항목을 참조하십시오.

버전 내역

R2012a에 개발됨

참고 항목

CompactLinearModel | LinearModel | predict | feval

도움말 항목

• 새 데이터에 대한 응답 변수를 예측하거나 시뮬레이션하기
• Linear Regression Workflow
• 선형 회귀 결과 해석하기
• 선형 회귀