# 回归
回归分析是一种数学模型，当因变量和自变量为线性关系时，它是一种特殊的线性模型。最简单的情形是一元线性回归，由大体上有线性关系的一个自变量和一个因变量组成。若有 k 个自变量和 1 个因变量，则因变量的值分为两部分：一部分由自变量影响，即表示为它的函数，函数形式已知且含有未知参数；另一部分由其他的未考虑因素和随机性影响，即随机误差。当函数为参数未知的线性函数时，称为线性回归分析模型；当函数为参数未知的非线性函数时，称为非线性回归分析模型。当自变量个数大于1时称为多元回归。
# 多元线性回归
线性分析
多元线性回归
| 函数名 | 简介 |
|---|---|
| anova | 线性回归模型的方差分析 |
| coefCI | 线性回归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 |
| covarianceParameters | 提取线性混合效应模型的协方差参数 |
| displme | 显示线性混合效应模型 |
| designMatrix | 固定和随机效应设计矩阵 |
| dummyvar | 创建虚拟变量 |
| dwtest | 带剩余输入的 Durbin-Watson 检验 |
| feval | 线性回归模型预测 |
| fitlm | 拟合线性回归模型 |
| fitlme | 拟合线性混合效应模型 |
| fitrlinear | 对高维数据拟合线性回归模型 |
| fitted | 线性混合效应模型的拟合响应 |
| fixedEffects | 估计混合线性模型的固定效应系数 |
| invpred | 逆预测 |
| kfoldPredict | 预测未用于训练的观察结果的反应 |
| lasso | 线性模型的套索或弹性网正则化 |
| linhyptest | 线性假设检验 |
| loss | 回归模型的损失值 |
| mvregress | 多元线性回归 |
| partialDependence | 计算部分相关性 |
| plotpartialDependence | 创建部分依赖图（PDP）和个别条件期望图（ICE） |
| plsregress | 偏最小二乘回归 |
| polyconf | 多项式的置信区间 |
| predict | 线性回归模型的预测响应 |
| randomEffects | 混合线性模型的随机效应 |
| regress | 多元线性回归 |
| residuals | 拟合的线性混合效应模型残差 |
| ridge | 岭回归 |
| robustfit | 拟合稳健线性回归 |
| selectModels | 选择拟合的正则线性回归模型 |
| x2fx | 将预测矩阵转换为设计矩阵 |
# 广义线性回归
广义线性分析
广义线性回归
| 函数名 | 简介 |
|---|---|
| coefCI | 广义线性回归模型系数估计的置信区间 |
| coeftest | 广义线性回归模型系数的线性假设检验 |
| fitcecoc | 适合支持向量机或其他分类器的多类模型 |
| fitclinear | 高维数据的线性分类模型拟合 |
| fitglm | 创建广义线性回归模型 |
| lassoglm | 广义线性模型的套索或弹性网正则化 |
| mnrfit | 多项逻辑回归 |
| mnrval | 多项逻辑回归模型预测准确率 |
| response | 线性模型的响应向量 |
| glmfit | 拟合广义线性回归模型 |
| glmval | 广义线性模型值 |
| isotonicRegression | 创建保序回归模型 |
| stepwisefit | 采用逐步回归方法拟合线性回归模型 |
| stepwiselm | 逐步回归 |
# 高斯回归过程
高斯回归过程
高斯回归过程
| 函数名 | 简介 |
|---|---|
| fitrgp | 拟合高斯过程回归（GPR）模型 |
# 模型的构建与评估
模型的构建与评估
模型的构建与评估
| 函数名 | 简介 |
|---|---|
| bayesopt | 使用贝叶斯优化算法对参数进行优化 |
| convent_columns | 将数据集中指定的字符串标签列映射为整数 |
| fsrftest | 基于 F 检验的回归单变量特征线性回归测试 |
| oobPermutedPredictorImportance | 回归树随机森林的预测值排列的预测值重要性估计 |
| plotAdjustedResponse | 调整响应值并绘图 |
| plotDiagnostics | 绘制线性回归模型的观测诊断图 |
| plotEffects | 绘制线性回归模型的主效应图 |
| plotInteraction | 绘制线性回归模型中两个预测变量的交互效应 |
| plotResiduals | 绘制线性混合效应模型的残差 |
| relieff | 使用 ReliefF 算法对特征重要性进行排序 |
| stepwiseglm | 使用逐步回归创建广义线性回归模型 |
# 神经网络
神经网络模型由一系列反映大脑处理信息方式的层构成。 Machine Learning Toolbox™ 中提供的回归神经网络模型是完全连接的前馈神经网络，您可以调整全连接层的大小并更改层的激活函数
神经网络
| 函数名 | 简介 |
|---|---|
| fitrnet | 训练神经网络回归模型 |
# 非线性回归
非线性回归
# 回归集成
回归模型的集成方法
回归集成
| 函数名 | 简介 |
|---|---|
| AdaboostrTree | Adaboost 回归树模型 |
| cvloss | 交叉验证回归误差 |
| dropna | 去除 na 值 |
| fitrensemble | 拟合回归的学习者集合 |
| GradientrBoosting | 创建梯度树提升回归模型 |
| HistrGradientBoosting | 基于直方图的梯度提升回归器 |
| oobloss | 袋外回归误差 |
| randomL | 线性回归模式下随机噪声响应的模拟 |
| randomrforest | 创建随机森林回归器模型 |
| SVRbagger | 袋装支持向量机模型 |
| TreeBagger | 袋装回归树模型 |
| VotingRegressor | 投票回归器模型 |
# 回归树
回归树
回归树
# SVM
支持向量机回归分析
SVM
| 函数名 | 简介 |
|---|---|
| fitrsvm | 拟合支持向量机回归模型 |
| fitrkernel | 使用随机特征展开拟合高斯核回归模型 |
# 增量学习回归模型
用于对流式数据进行回归拟合的增量学习模型
增量学习回归模型
| 函数名 | 简介 |
|---|---|
| incrementalDriftAwareLearner | 创建增量漂移感知模型 |
| incrementalRegressionLinear | 创建增量学习的线性回归模型 |
| fit | 模型拟合流式数据 |
| fitOne | 模型拟合单个观测值 |
| updateMetrics | 更新增量学习模型的性能指标 |
| updateMetricsAndFit | 训练增量学习模型并更新性能指标 |
| predict | 批量预测观测值的标签 |
| predictOne | 预测单个观测值的标签 |
| debugOne | 调试线性回归增量学习模型的输出 |
| featureSelect | 构建特征选择转换器 |
| targetAgg | 构建聚合统计信息转换器 |
| incrementalMLP | 创建增量学习的多层感知机模型 |
| HoeffdingTreeRegressor | 创建霍夫丁树回归模型 |
| HoeffdingAdaptiveTreeRegressor | 创建霍夫丁自适应树回归模型 |