Matlab学习之最小二乘法的使用练习

一 函数解释：polyfit 多项式拟合数据—最小二乘法拟合。
（1）P = polyfit（X，Y，N）
在最小二乘意义上找到最适合数据Y的最高次数N的多项式P(X)的系数
P是长度为N + 1的行向量。
P(X) = P（1）* X ^ N + P（2）* X ^（N-1）+ … + P（N）* X + P（N + 1）。

（2）[P，S] = polyfit(X，Y，N)
返回多项式系数P和a与POLYVAL一起使用的结构S，以获取有关的误差估计预测。 S包含QR中的三角因子（R）的字段X的Vandermonde矩阵的分解，自由度（df）和残差范数（normr）。如果数据Y是随机的，P的协方差矩阵的估计为（Rinv * Rinv’）* normr ^ 2 / df，其中Rinv是R的倒数。

（3）[P，S，MU] = polyfit（X，Y，N）查找多项式的系数
XHAT =（X-MU（1））/ MU（2）其中MU（1）= MEAN（X）和MU（2）= STD（X）。这种定中心和定标变换改善了多项式和拟合算法的数值特性。 如果N> = length（X），如果X已经重复或几乎重复了点，或者X可能需要居中和缩放，则会产生警告息。

示例：带有polyfit的简单线性回归

  % Fit a polynomial p of degree 1 to the (x,y) data:
        x = 1:50;
        y = -0.3*x + 2*randn(1,50);
        [p,s]= polyfit(x,y,2);
 
      % Evaluate the fitted polynomial p and plot:
        f = polyval(p,x);
        plot(x,y,'o',x,f,'-')
        legend('data','linear fit')

输入X，Y的类支持： 浮点数：双，单
#（2）对拟合的多项式进行评估：
f = polyval(p, X);
f(i)是 P(Xi)的值，f对应的是拟合后，X = x 下的值。