La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.
Régression
R2026aLes modèles de régression décrivent la relation entre une variable de réponse (sortie) et une ou plusieurs variables prédictives (entrée). Pour explorer des modèles de régression de manière interactive, utilisez l’application Regression Learner. Statistics and Machine Learning Toolbox™ permet d’ajuster des modèles de régression linéaire, linéaire généralisée et non linéaire, y compris des modèles stepwise et à effets mixtes. Une fois que vous avez ajusté un modèle, vous pouvez l’utiliser pour prédire ou simuler des réponses, évaluer l’ajustement avec des tests d’hypothèses ou créer des tracés pour visualiser les diagnostics, les résidus et les effets d’interaction.
Statistics and Machine Learning Toolbox propose des méthodes de régression non paramétrique permettant de traiter des courbes de régression plus complexes sans spécifier la relation entre la réponse et les prédicteurs avec une fonction de régression prédéterminée. Il est possible de prédire les réponses pour de nouvelles données à l’aide du modèle entraîné. Les modèles de régression par processus gaussiens permettent également de calculer des intervalles de prédiction.
Catégories
- Application Regression Learner
Entraîner, valider et optimiser des modèles de régression de manière interactive
- Régression linéaire
Modèles de régression multiple, stepwise, multivariée et autre
- Modèles linéaires généralisés
Régression logistique, multinomiale, de Poisson et autre
- Régression non linéaire
Modèles de régression non linéaire à effets fixes et mixtes
- Régression par machine à vecteurs de support
Machines à vecteurs de support (SVM) pour les modèles de régression
- Régression par processus gaussiens
Modèles de régression par processus gaussiens (krigeage)
- Arbres de régression
Arbres de décision binaires pour la régression
- Ensembles d’arbres de régression
Forêts aléatoires et boosting et bagging d’arbres de régression
- Modèle additif généralisé
Modèle interprétable composé de fonctions de forme univariées et bivariées pour la régression
- Réseaux de neurones
Réseaux de neurones pour la régression
- Apprentissage incrémental
Ajuster un modèle de régression linéaire à des données en streaming et suivre ses performances
- Prévisions directes
Effectuer des prévisions directes avec des données de séries temporelles régulièrement échantillonnées
- Interprétabilité
Entraîner des modèles de régression interprétables et interpréter des modèles de régression complexes
- Conception et évaluation de modèles
Génération de données synthétiques, sélection de caractéristiques, ingénierie des caractéristiques, sélection de modèle, optimisation des hyperparamètres, validation croisée, diagnostics de résidus et tracés
- Coexécution du modèle avec Python
Charger et coexécuter des modèles de Machine Learning Python pour la prédiction dans Simulink
Sélection d՚exemples
Fitting Data with Generalized Linear Models
Fit and evaluate generalized linear models using glmfit
and glmval.
Bayesian Analysis for a Logistic Regression Model
Make Bayesian inferences for a logistic regression model using
slicesample.
Weighted Nonlinear Regression
Fit a nonlinear regression model for data with nonconstant error variance.
Partial Least Squares Regression and Principal Components Regression
Apply partial least squares regression (PLSR) and principal components regression (PCR), and explore the effectiveness of the two methods.
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.
Ressources pédagogiques
Les fondamentaux de la régression
Découvrir les fondamentaux de l’analyse de régression et comment résoudre, évaluer et améliorer les modèles de régression linéaire.
Machine Learning pour la régression
Découvrir les concepts de l’extraction de caractéristiques et de la régression et les appliquer à la prévision de séries temporelles.
Machine Learning for Biosciences (Machine Learning pour les biosciences)
Découvrir les fondamentaux du Machine Learning avec des exemples issus de la biologie.
