逻辑回归预测 MATLAB

在 MATLAB 中，可以使用 `fitglm` 函数来进行逻辑回归预测。下面是一个简单的示例：

假设我们有一个数据集，其中包含两个变量 `x` 和 `y`，以及一个二元变量 `label`，表示一个样本是否属于某个类别。我们可以使用逻辑回归来预测一个新的样本是否属于该类别。

首先，我们需要加载数据集：

data = readtable('data.csv');

其中 `data.csv` 是包含数据的 CSV 文件。接下来，我们可以将数据集拆分为训练集和测试集：

cv = cvpartition(size(data,1),'HoldOut',0.3);
idx = cv.test;
dataTrain = data(~idx,:);
dataTest  = data(idx,:);

这里我们将数据集按照 7:3 的比例分成训练集和测试集，其中 `cvpartition` 函数用于创建交叉验证对象，`HoldOut` 表示留出法，`size(data,1)` 表示数据集中的样本数。

接下来，我们可以使用 `fitglm` 函数来训练逻辑回归模型：

model = fitglm(dataTrain,'label ~ x + y','Distribution','binomial');

这里我们将 `x` 和 `y` 作为输入变量，`label` 作为输出变量，`Distribution` 值为 `binomial` 表示使用二项式分布。

训练完成后，我们可以使用 `predict` 函数来对测试集进行预测：

pred = predict(model,dataTest);

最后，我们可以使用 `confusionmat` 函数来计算预测结果的混淆矩阵：

C = confusionmat(dataTest.label,pred>0.5);

这里 `dataTest.label` 表示测试集中的真实标签，`pred>0.5` 表示预测结果的二元值。

完整代码示例：

data = readtable('data.csv');
cv = cvpartition(size(data,1),'HoldOut',0.3);
idx = cv.test;
dataTrain = data(~idx,:);
dataTest  = data(idx,:);
model = fitglm(dataTrain,'label ~ x + y','Distribution','binomial');
pred = predict(model,dataTest);
C = confusionmat(dataTest.label,pred>0.5);