写MATLAB代码，使用回归模型填充填充二维数组中的缺失值

下面是一个使用回归模型填充二维数组中缺失值的示例MATLAB代码：

% 生成带有缺失值的示例二维数组
rng(1); % 设置随机种子以保持结果的一致性
data = rand(5, 3); % 原始数据
missing_idx = randperm(numel(data), 5); % 生成5个缺失值的索引
data(missing_idx) = NaN; % 将对应索引位置的值设置为NaN

% 创建回归模型并填充缺失值
for j = 1:size(data, 2)
    % 获取当前列的数据和索引
    col_data = data(:, j);
    missing_data_idx = isnan(col_data);
    observed_data_idx = ~missing_data_idx;
    
    % 使用线性回归模型拟合已观测数据
    X = [ones(sum(observed_data_idx), 1), (1:numel(col_data))'];
    Y = col_data(observed_data_idx);
    beta = X \ Y; % 计算回归系数
    
    % 使用回归模型预测缺失值
    predicted_values = X(missing_data_idx, :) * beta;
    
    % 填充缺失值
    col_data(missing_data_idx) = predicted_values;
    
    % 更新原始数据的当前列
    data(:, j) = col_data;
end

disp('填充后的二维数组:');
disp(data);

这段代码首先生成一个大小为5x3的示例二维数组，并在其中随机选择5个位置设置为缺失值（NaN）。然后，使用循环迭代每一列，对每一列的缺失值进行回归填充。在每一列中，使用已观测到的数据拟合线性回归模型，并使用该模型预测缺失值。最后，将预测值填充到相应的缺失值位置，得到填充后的二维数组。

请注意，这只是一个简单的示例代码，实际的回归填充可能需要更多的数据预处理、模型选择和调参等步骤。此外，根据数据集的特点，可能需要选择其他类型的回归模型。