이 페이지의 최신 내용은 아직 번역되지 않았습니다. 최신 내용은 영문으로 볼 수 있습니다.

모델 개발과 평가

특징 선택, 초모수 최적화, 교차 검증, 잔차 진단, 플롯

고품질 회귀 모델을 개발하는 경우 적합한 특징(또는 예측 변수)을 선택하고, 초모수(데이터에 피팅되지 않는 모델 모수)를 조율하고, 잔차 진단을 통해 모델 가정을 평가해야 합니다.

초모수의 값을 선택하고 선택한 값을 사용하여 모델에 대한 교차 검증을 반복하는 방식으로 초모수를 조율할 수 있습니다. 이 과정을 통해 여러 개의 모델이 생성되며, 이러한 모델 중에서 가장 적합한 모델이 추정된 일반화 오차를 최소화하는 모델일 수 있습니다. 예를 들어, SVM 모델을 조정하려면 상자 제약 조건과 커널 스케일의 집합을 선택하고, 값의 쌍 각각에 대해 모델을 교차 검증한 후 10겹 교차 검증된 평균 제곱 오차 추정값과 비교하십시오.

Statistics and Machine Learning Toolbox™에서 제공되는 특정 비모수적 회귀 함수는 베이즈 최적화, 그리드 탐색 또는 임의 탐색을 통해 추가적인 자동 초모수 조율 기능을 제공합니다. 그러나, 베이즈 최적화를 구현하는 주요 함수인 bayesopt는 여러 다른 응용 사례에 사용할 수 있을 정도로 유연합니다. 자세한 내용은 Bayesian Optimization Workflow 항목을 참조하십시오.

앱

회귀 학습기

Train regression models to predict data using supervised machine learning

함수

모두 확장

특징 선택

`sequentialfs`	Sequential feature selection using custom criterion
`relieff`	Rank importance of predictors using ReliefF or RReliefF algorithm
`plotPartialDependence`	Create partial dependence plot (PDP) and individual conditional expectation (ICE) plots
`stepwiselm`	Fit linear regression model using stepwise regression
`stepwiseglm`	Create generalized linear regression model by stepwise regression

초모수 최적화

`bayesopt`	Select optimal machine learning hyperparameters using Bayesian optimization
`hyperparameters`	Variable descriptions for optimizing a fit function
`optimizableVariable`	Variable description for bayesopt or other optimizers

교차 검증

`crossval`	Loss estimate using cross-validation
`cvpartition`	데이터에 대한 교차 검증 분할 생성
`repartition`	Repartition data for cross-validation
`test`	Test indices for cross-validation
`training`	Training indices for cross-validation

선형 모델 진단

`coefCI`	Confidence intervals of coefficient estimates of linear regression model
`coefTest`	Linear hypothesis test on linear regression model coefficients
`dwtest`	Durbin-Watson test with linear regression model object
`plot`	Scatter plot or added variable plot of linear regression model
`plotAdded`	Added variable plot of linear regression model
`plotAdjustedResponse`	Adjusted response plot of linear regression model
`plotDiagnostics`	Plot observation diagnostics of linear regression model
`plotEffects`	Plot main effects of predictors in linear regression model
`plotInteraction`	Plot interaction effects of two predictors in linear regression model
`plotResiduals`	Plot residuals of linear regression model
`plotSlice`	Plot of slices through fitted linear regression surface

일반화 선형 모델 진단

`coefCI`	Confidence intervals of coefficient estimates of generalized linear model
`coefTest`	Linear hypothesis test on generalized linear regression model coefficients
`devianceTest`	Analysis of deviance
`plotDiagnostics`	Plot diagnostics of generalized linear regression model
`plotResiduals`	Plot residuals of generalized linear regression model
`plotSlice`	Plot of slices through fitted generalized linear regression surface

비선형 모델 진단

`coefCI`	Confidence intervals of coefficient estimates of nonlinear regression model
`coefTest`	Linear hypothesis test on nonlinear regression model coefficients
`plotDiagnostics`	Plot diagnostics of nonlinear regression model
`plotResiduals`	Plot residuals of nonlinear regression model
`plotSlice`	Plot of slices through fitted nonlinear regression surface

선형 가설검정

linhyptest Linear hypothesis test

객체

모두 확장

초모수 최적화

BayesianOptimization Bayesian optimization results

교차 검증

cvpartition Data partitions for cross validation

도움말 항목

회귀 학습기 앱 워크플로

Train Regression Models in Regression Learner App

Workflow for training, comparing and improving regression models, including automated, manual, and parallel training.

Choose Regression Model Options

In Regression Learner, automatically train a selection of models, or compare and tune options of linear regression models, regression trees, support vector machines, Gaussian process regression models, and ensembles of regression trees.

Feature Selection and Feature Transformation Using Regression Learner App

Identify useful predictors using plots, manually select features to include, and transform features using PCA in Regression Learner.

Assess Model Performance in Regression Learner

Compare model statistics and visualize results.

특징 선택

Introduction to Feature Selection

Learn about feature selection algorithms and explore the functions available for feature selection.

초모수 최적화

Bayesian Optimization Workflow

Perform Bayesian optimization using a fit function or by calling bayesopt directly.

Variables for a Bayesian Optimization

Create variables for Bayesian optimization.

Bayesian Optimization Objective Functions

Create the objective function for Bayesian optimization.

Constraints in Bayesian Optimization

Set different types of constraints for Bayesian optimization.

Optimize a Boosted Regression Ensemble

Minimize cross-validation loss of a regression ensemble.

Bayesian Optimization Plot Functions

Visually monitor a Bayesian optimization.

Bayesian Optimization Output Functions

Monitor a Bayesian optimization.

Bayesian Optimization Algorithm

Understand the underlying algorithms for Bayesian optimization.

Parallel Bayesian Optimization

How Bayesian optimization works in parallel.

교차 검증

Implement Cross-Validation Using Parallel Computing

Speed up cross-validation using parallel computing.

선형 모델 진단

선형 회귀 결과 해석하기

선형 회귀 결과 출력되는 통계량을 표시하고 해석합니다.

선형 회귀

선형 회귀 모델을 피팅하고 결과를 검토합니다.

Linear Regression with Interaction Effects

Construct and analyze a linear regression model with interaction effects and interpret the results.

Summary of Output and Diagnostic Statistics

Evaluate a fitted model by using model properties and object functions.

F-통계량과 t-통계량

선형 회귀에서 F-통계량은 모델 또는 모델 성분의 유의성을 검정하는 분산분석(ANOVA) 방식에 대한 검정 통계량입니다. t-통계량은 회귀 계수에 대한 추론을 할 때 유용합니다.

결정계수(R 제곱)

결정계수(R 제곱)는 선형 회귀 모델에서 독립 변수 X로 설명되는 응답 변수 y의 비례적인 변동량을 나타냅니다.

Coefficient Standard Errors and Confidence Intervals

Estimated coefficient variances and covariances capture the precision of regression coefficient estimates.

Residuals

Residuals are useful for detecting outlying y values and checking the linear regression assumptions with respect to the error term in the regression model.

Durbin-Watson Test

The Durbin-Watson test assesses whether or not there is autocorrelation among the residuals of time series data.

Cook’s Distance

Cook's distance is useful for identifying outliers in the X values (observations for predictor variables).

Hat Matrix and Leverage

The hat matrix provides a measure of leverage.

Delete-1 Statistics

Delete-1 change in covariance (covratio) identifies the observations that are influential in the regression fit.