Statistics Toolbox

Regressione, classificazione e ANOVA

Regressione

Con la regressione, è possibile modellare una variabile di risposta continua in funzione di uno o più predittori. Statistics Toolbox offre una vasta gamma di algoritmi di regressione, tra cui:

  • Regressione lineare
  • Regressione non lineare
  • Regressione robusta
  • Regressione logistica e altri modelli lineari generalizzati

Adattamento con MATLAB: Statistica, ottimizzazione e adattamento della curva 38:37
Applicare algoritmi di regressione con MATLAB.

È possibile valutare la bontà dell'adattamento usando diverse metriche, tra cui:

  • R2 e R aggiustato2
  • Errore quadratico medio a convalida incrociata
  • Criterio di informazione Akaike (AIC) e criterio di informazione Bayesiano (BIC)

Con la toolbox, è possibile calcolare gli intervalli di confidenza sia per i coefficienti di regressione che per i valori previsti.

Statistics Toolbox supporta tecniche più avanzate per aumentare la precisione predittiva quando il set di dati include numerose variabili correlate. La toolbox supporta:

  • Tecniche di selezione sottoinsieme, tra cui la selezione di funzioni sequenziali e regressione graduale
  • Metodi di regolarizzazione, tra cui regressione di colmo, lasso ed elastic net

Statistica computazionale: Selezione funzioni, regolarizzazione e shrinkage con MATLAB 36:51
Apprendere come generare precisi fitting in presenza di dati correlati.

Statistics Toolbox supporta anche tecniche di regressione non parametriche per la generazione di precisi fitting senza specificare un modello che descriva la relazione tra il predittore e la risposta. Le tecniche di regressione non parametriche includono alberi decisionali e alberi di regressione con boosting e bagging.

Fitting non parametrico 4:07
Sviluppare un modello predittivo quando non è possibile specificare una funzione che descriva la relazione tra le variabili.

Inoltre, Statistics Toolbox supporta i modelli di effetti misti non lineari (NLME) in cui alcuni parametri di una funzione non lineare variano tra gli individui o i gruppi.

Modello di effetto misto non lineare di assorbimento ed eliminazione di un farmaco che mostra profili di concentrazione tra soggetti rispetto al tempo.

Modello di effetto misto non lineare di assorbimento ed eliminazione di un farmaco che mostra profili di concentrazione tra soggetti rispetto al tempo. La funzione nlmefit in Statistics Toolbox genera un modello di popolazione usando effetti fissi e casuali.

Classificazione

Gli algoritmi di classificazione consentono di modellare una variabile di risposta categorica in funzione di uno o più predittori. Statistics Toolbox offre una vasta gamma di algoritmi di classificazione parametrici e non parametrici, quali:

  • Alberi di classificazione con boosting e bagging, tra cui AdaBoost, LogitBoost, GentleBoost e RobustBoost
  • Classificazione Naïve Bayes
  • Classificazione k-Nearest Neighbor (kNN)
  • Analisi discriminante lineare

Introduzione alla classificazione 9:00
Sviluppare modelli predittivi per la classificazione di dati.

È possibile valutare la correttezza del fitting per i modelli di classificazione risultanti usando tecniche quali:

  • Perdita a convalida incrociata
  • Matrici di confusione
  • Curve di performance/curve di caratteristiche operative del ricevitore (ROC)

ANOVA

L'analisi di varianza (ANOVA) consente di assegnare la varianza campione a diverse sorgenti e determinare se la variazione compare all'interno o tra diversi gruppi di popolazione. Statistics Toolbox include questi algoritmi ANOVA e le tecniche correlate:

  • ANOVA ad una via
  • ANOVA a due vie per dati bilanciati
  • ANOVA multivia per dati bilanciati e non bilanciati
  • ANOVA multivariata (MANOVA)
  • ANOVA non parametrica a una e due vie (Kruskal-Wallis e Friedman)
  • Analisi di covarianza (ANOCOVA)
  • Confronto multiplo di medie di gruppi, di pendenze e di intercetta
Avanti: Statistica multivariata

Prova Statistics Toolbox

Richiedi la versione di prova

Multilevel Mixed-Effects Modeling Using MATLAB

Visualizza webinar