La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

Régression linéaire généralisée

R2026a

Modèles de régression linéaire généralisée avec diverses distributions et fonctions liens, y compris la régression logistique

Pour améliorer la précision et le choix de la fonction lien avec des jeux de données de faible ou moyenne dimension, ajustez un modèle de régression linéaire généralisée avec fitglm. Pour une régression logistique multinomiale, ajustez un modèle avec fitmnr.

Pour réduire le temps de calcul avec des jeux de données de grande dimension, entraînez un modèle de classification linéaire binaire tel qu’un modèle de régression logistique avec fitclinear. Il est également possible d’entraîner efficacement un modèle de codes de sortie correcteurs d’erreur (ECOC) multiclasse composé de modèles de régression logistique avec fitcecoc.

Pour la classification non linéaire de Big Data, entraînez un modèle de classification binaire à noyau gaussien en appliquant une régression logistique avec fitckernel.

Blocs

ClassificationLinear Predict Block Icon

ClassificationLinear Predict

Classify observations using linear classification model (depuis R2023a)

Fonctions

développer tout

Régression linéaire généralisée avec un objet `GeneralizedLinearModel`

Créer un objet `GeneralizedLinearModel`

`fitglm`	Create generalized linear regression model
`stepwiseglm`	Create generalized linear regression model by stepwise regression

Créer un objet `CompactGeneralizedLinearModel`

compact Compact generalized linear regression model

Ajouter ou supprimer des termes dans un modèle linéaire généralisé

`addTerms`	Add terms to generalized linear regression model
`removeTerms`	Remove terms from generalized linear regression model
`step`	Improve generalized linear regression model by adding or removing terms

Prédire les réponses

`feval`	Predict responses of generalized linear regression model using one input for each predictor
`predict`	Predict responses of generalized linear regression model
`random`	Simulate responses with random noise for generalized linear regression model

Évaluer un modèle linéaire généralisé

`coefCI`	Confidence intervals of coefficient estimates of generalized linear regression model
`coefTest`	Linear hypothesis test on generalized linear regression model coefficients
`devianceTest`	Analysis of deviance for generalized linear regression model
`partialDependence`	Compute partial dependence

Visualiser un modèle linéaire généralisé et les statistiques sommaires

`plotDiagnostics`	Plot observation diagnostics of generalized linear regression model
`plotPartialDependence`	Create partial dependence plot (PDP) and individual conditional expectation (ICE) plots
`plotResiduals`	Plot residuals of generalized linear regression model
`plotSlice`	Plot of slices through fitted generalized linear regression surface

Collecter les propriétés d’un modèle linéaire généralisé

gather Gather properties of Statistics and Machine Learning Toolbox object from GPU

Régression logistique multinomiale avec un objet `MultinomialRegression`

Créer un objet `MultinomialRegression`

fitmnr Fit multinomial regression model (depuis R2023a)

Utiliser un objet `MultinomialRegression`

`coefCI`	Confidence intervals for coefficient estimates of multinomial regression model (depuis R2023a)
`coefTest`	Linear hypothesis test on multinomial regression model coefficients (depuis R2023a)
`feval`	Predict responses of multinomial regression model using one input for each predictor (depuis R2023a)
`partialDependence`	Compute partial dependence
`plotPartialDependence`	Create partial dependence plot (PDP) and individual conditional expectation (ICE) plots
`plotResiduals`	Plot residuals of multinomial regression model (depuis R2023a)
`plotSlice`	Plot of slices through fitted multinomial regression surface (depuis R2023a)
`predict`	Predict responses of multinomial regression model (depuis R2023a)
`random`	Generate random responses from fitted multinomial regression model (depuis R2023a)
`testDeviance`	Deviance test for multinomial regression model (depuis R2023a)

Classification avec régression logistique

Créer un objet

`fitclinear`	Fit binary linear classifier to high-dimensional data
`fitcecoc`	Fit multiclass models for support vector machines or other classifiers
`fitckernel`	Fit binary Gaussian kernel classifier using random feature expansion
`templateLinear`	Linear learner template

Prédire les étiquettes

`predict`	Predict labels for linear classification models
`predict`	Classify observations using multiclass error-correcting output codes (ECOC) model
`predict`	Predict labels for Gaussian kernel classification model

Régression linéaire généralisée sans utiliser d’objet

`glmfit`	Fit generalized linear regression model
`glmval`	Generalized linear model values

Objets

développer tout

Régression linéaire généralisée

`GeneralizedLinearModel`	Generalized linear regression model class
`CompactGeneralizedLinearModel`	Compact generalized linear regression model class

Régression multinomiale

MultinomialRegression Multinomial regression model (depuis R2023a)

Classification avec régression logistique

`ClassificationLinear`	Linear model for binary classification of high-dimensional data
`ClassificationECOC`	Multiclass model for support vector machines (SVMs) and other classifiers
`ClassificationKernel`	Gaussian kernel classification model using random feature expansion
`ClassificationPartitionedLinear`	Cross-validated linear model for binary classification of high-dimensional data
`ClassificationPartitionedLinearECOC`	Cross-validated linear error-correcting output codes model for multiclass classification of high-dimensional data

Rubriques

Régression linéaire généralisée

Generalized Linear Models
Generalized linear models use linear methods to describe a potentially nonlinear relationship between predictor terms and a response variable.
Generalized Linear Model Workflow
Fit a generalized linear model and analyze the results.
Fitting Data with Generalized Linear Models
Fit and evaluate generalized linear models using glmfit and glmval.
Predict Class Labels Using ClassificationLinear Predict Block
This example shows how to use the ClassificationLinear Predict block for label prediction in Simulink®. (depuis R2023a)
Logistic Regression with Tall Arrays
This example shows how to use logistic regression and other techniques to perform data analysis on tall arrays.
Wilkinson Notation
Wilkinson notation provides a way to describe regression and repeated measures models without specifying coefficient values.

Régression logistique multinomiale

Multinomial Models for Nominal Responses
A nominal response variable has a restricted set of possible values with no natural order between them. A nominal response model explains and predicts the probability that an observation is in each category of a categorical response variable.
Multinomial Models for Ordinal Responses
An ordinal response variable has a restricted set of possible values that fall into a natural order. An ordinal response model describes the relationship between the cumulative probabilities of the categories and predictor variables.
Multinomial Models for Hierarchical Responses
A hierarchical multinomial response variable (also known as a sequential or nested multinomial response) has a restricted set of possible values that fall into hierarchical categories. The hierarchical multinomial regression models are extensions of binary regression models based on conditional binary observations.