嗨，我想对回归技术进行全面分析，因此将继续编辑这个问题 . 我正在尝试使用Matlab中提供的技术来解决回归问题 . 理想情况下，我想看看诸如此类的技巧

线性回归

Logistic回归

贝叶斯回归

支持向量回归

回归的高斯过程

问题陈述

给定数据 X 和 Y ，其大小为 333x128 和 333x1 ，其中 333 是训练示例的数量， 128 是要素尺寸 . 我正在解决的问题是回归问题和 not a classification one . 我打算在Matlab中完成上述所有操作 .

线性回归

线性回归的代码如下：它从“hald”数据集中获取输入数据，并将前10个元素用于训练目的，接下来的3个元素用于测试目的 . 最后一行打印输出，即预测值和实际标签 .

clc; clear all; close all;

load hald

X = ingredients; % Predictor variables

y = heat; % Response

mdl = fitlm(X(1:10,:),y(1:10,:));

predicted_values = feval(mdl,X(11:end,:));

[y(11:end,:) predicted_values]

输出如下：

ans =

83.8000 80.2845

113.3000 112.8545

109.4000 112.5293

但是，任何人都可以向我解释广义线性回归模型的含义吗？在matlab中，有两个专门用于此的命令：glmfit / glmval和fitglm / feval .

应用广义线性规则模型的代码如下：

mdl = fitglm(X(1:10,:),y(1:10,:),'quadratic');

predicted_values = feval(mdl,X(11:end,:));

error = sum((y(11:end,:)-predicted_values).^2)

[b, dev] = glmfit(X(1:10,:),y(1:10,:),'normal','link','identity');

predicted_values = glmval(b,X(11:end,:),'identity');

error = sum((y(11:end,:)-predicted_values).^2)

What is the difference between the two operations ?

此外 glmfit 有一个名为 distr 和 link 的术语 . 这种分布是什么意思？如何选择最佳分销？对于上面的例子，仅基于数据如何估计apriori的分布？

另外据我所知，链接功能用于 Build 线性模型和响应变量之间的链接 . 这是否意味着逻辑回归是广义线性回归模型的子集？我在wiki link阅读了详细信息，但无法理清我的怀疑 .

支持向量回归

线性回归的代码如下：这里我可以选择标准化数据 . 我选择的内核是具有自动缩放的rbf内核 . 许多选项，如多项式内核，高斯内核，线性等也可用 .

mdl = fitrsvm(X(1:10,:),y(1:10,:),'KernelFunction','rbf','KernelScale','auto','Standardize',true);

predicted_values = predict(mdl,X(11:end,:));

Logistic回归

我无法使用逻辑回归来解决这个回归问题 . 我有各种各样的来源，他们总是解决了分类问题，但我的标签空间是连续的而不是离散的 . 在这个wiki article中明确指出 As such it is not a classification method . 但是基于答案here和here在我看来 logistic regression can only be used for classification ?

我也经历了mnrfit / mnrval教程，但他们也处理了分类问题 .

请根据我的上述数据提供一个小例子来说明逻辑回归如何用于回归？