视觉机器学习20讲-MATLAB源码示例（3）-回归学习算法

mozun2020

已于 2022-05-07 22:58:10 修改

阅读量1.2k

点赞数

分类专栏： ML1:视觉机器learning20讲-MATLAB源码示例文章标签：图像处理计算机视觉 MATLAB 回归学习信号处理

于 2022-04-05 15:01:08 首次发布

本文链接：https://blog.csdn.net/sinat_34897952/article/details/123969421

版权

ML1:视觉机器learning20讲-MATLAB源码示例专栏收录该内容

20 篇文章 41 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了回归学习算法，特别是线性回归，作为统计学中的一个概念，用于建立自变量和因变量之间的关系模型。通过MATLAB仿真展示了回归学习的应用，并对比了线性回归与逻辑回归的差异。文章提供了系列教程的资源链接，涵盖多种机器学习算法的MATLAB源码。

摘要由CSDN通过智能技术生成

1. 回归学习算法

回归学习（Regression Learning），又称为回归分析（Regression Analysis），是一种近似方法，从未知概率分布的随机样本中获得目标函数。
　
提及回归学习，常常首先想起一个概念叫做线性回归。那么什么是线性回归呢？线性回归其实是一个统计学概念。

在统计学中，线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个被称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单线性回归,大于一个自变量情况的叫做多元线性回归。

2. Matlab仿真

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%功能：演示回归算法算法在计算机视觉中的应用
%实现如何利用偏最小二乘回归模型实现数据拟合；
%环境：Win7，Matlab2018a
%Modi: C.S
%时间：2022-4-5
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

clear all;
close all;
clc;
%多重相关性计算
load('data.mat'); %读入数据文件data.mat
cr=corrcoef(data) %计算变量之间的相关系数
%建立偏最小二乘回归模型
%提取可能的主成分
X=data(:,1:3);
Y=data(:,3:6);
E0=stand(X)
F0=stand(Y)
A=rank(E0)
[W,C,T,U,P,R]=plspcr(E0,F0)

%主成分解释能力分析
%计算主成分累计复测定系数
RA=plsra(T,R,F0,A)
%计算主成分的信息解释能力
[Rdx,RdX,RdXt,Rdy,RdY,RdYt]=plsrd(E0,F0,T,A)

%计算第一主成分间的相关性
%通过t1/u1图像直观的考查第一主成分间的相关性
cr=plsutcor(U,T)

%计算PLS回归方程的系数
%标准化因变量关于主成分t1的经验回归系数
TCOEFF=R(:,1)
%标准化因变量关于标准化自变量的经验回归系数
SCOEFF=pls(1,5,W,P,R)%1为建模的主成分个数，5为自变量个数
%计算原始因变量关于原始自变量的经验回归系数
[COEFF,INTERCEP]=plsiscoeff(X,Y,SCOEFF)%对标准化的回归系数进行逆标准化处理，输出原始自变量对因变量的回归系数及常数项

%变量投影重要性分析与模型的改进
result=plsresult(W,RdY,RdYt,1)%result表示第j个自变量对因变量的解释能力模