회귀
회귀 모델은 하나의 응답(출력) 변수와 하나 이상의 예측(입력) 변수 사이의 관계를 설명합니다. 회귀 모델을 대화형 방식으로 탐색하려면 회귀 학습기 앱을 사용하십시오. Statistics and Machine Learning Toolbox™를 사용하면 단계적 모델과 혼합효과 모델을 포함하여 선형 모델, 일반화 선형 모델, 비선형 회귀 모델을 피팅할 수 있습니다. 모델을 피팅한 후에는 이를 사용하여 응답 변수를 예측 또는 시뮬레이션하거나, 가설검정을 사용하여 모델 피팅을 평가하거나, 플롯을 사용하여 진단, 잔차, 상호 작용 효과를 시각화할 수 있습니다.
Statistics and Machine Learning Toolbox는 미리 지정된 회귀 함수를 사용하여 응답 변수와 예측 변수 간 관계를 지정하는 방식이 아닌, 더욱 복잡한 회귀 곡선을 수용하는 비모수적 회귀 방법도 제공합니다. 훈련된 모델을 사용하여 새 데이터에 대한 응답 변수를 예측할 수 있습니다. 가우스 과정 회귀 모델을 사용하여 예측 구간을 계산할 수도 있습니다.
카테고리
- 회귀 학습기 앱
회귀 모델을 대화형 방식으로 훈련, 검증, 조정
- 선형 회귀
다중 회귀, 단계적 회귀, 다변량 회귀 모델 등
- 일반화 선형 모델
로지스틱 회귀, 다항 회귀, 푸아송 회귀 등
- 비선형 회귀
비선형 고정효과 및 혼합효과 회귀 모델
- 서포트 벡터 머신(SVM) 회귀
회귀 모델용 서포트 벡터 머신
- 가우스 과정 회귀
가우스 과정 회귀 모델(크리깅 보간)
- 회귀 트리
회귀를 위한 이진 결정 트리
- 회귀 트리 앙상블
랜덤 포레스트, 부스팅 및 배깅 회귀 트리
- 일반화 가산 모델
회귀를 위해 일변량과 이변량 형태 함수로 구성된 해석 가능한 모델
- 신경망
회귀용 신경망
- 점진적 학습
회귀를 위한 선형 모델을 스트리밍 데이터에 피팅하고 성능 추적
- 직접 전망
규칙적으로 샘플링된 시계열 데이터를 사용하여 직접 전망(direct forecasting) 수행
- 해석 가능성
해석 가능한 회귀 모델을 훈련시키고 복잡한 회귀 모델을 해석하기
- 모델 개발과 평가
합성 데이터 생성, 특징 선택, 특징 엔지니어링, 모델 선택, 하이퍼파라미터 최적화, 교차 검증, 잔차 진단, 플롯
- Python 모델 연동실행
Simulink에서 예측을 위해 Python 머신러닝 모델 불러오기 및 연동실행
추천 예제
일반화 선형 모델을 사용하여 데이터 피팅하기
glmfit 및 glmval을 사용하여 일반화 선형 모델을 피팅하고 평가합니다.
로지스틱 회귀 모델에 대한 베이즈 분석
slicesample을 사용하여 로지스틱 회귀 모델에 베이즈 추론을 수행합니다.
가중 비선형 회귀
이 예제에서는 상수가 아닌 오차 분산을 갖는 데이터에 비선형 회귀 모델을 피팅하는 방법을 보여줍니다.
부분 최소제곱 회귀 및 주성분 회귀
부분 최소제곱 회귀(PLSR) 및 주성분 회귀(PCR)를 적용하고 이 두 방법의 효과를 살펴봅니다.
Automated Regression Model Selection with Bayesian and ASHA Optimization
Use fitrauto to automatically try a selection of regression model types with different hyperparameter values, given training predictor and response data.
