MATLAB fit函数翻译

fitobject = fit(x,y,fitType)创建适合于对数据x和y由指定的型号fitType。

fitobject = fit([x,y],z,fitType)创建一个表面拟合到数据中的载体x，y和z。

fitobject = fit(x,y,fitType,fitOptions)使用由对象指定的算法选项来创建适合数据的数据fitOptions。

fitobject = fit(x,y,fitType,Name,Value)使用库模型使用一个或多个对参数指定的附加选项来创建数据拟合。使用以显示可用的属性名称和默认值特定库模型。fitTypeName,Valuefitoptions

[fitobject,gof] = fit(x,y,fitType)返回结构中的适合度统计gof。

[fitobject,gof,output] = fit(x,y,fitType)返回结构中的拟合算法信息output。

例子

拟合二次曲线

加载一些数据，适合于变量二次曲线cdate和pop，并绘制拟合和数据。

load census;
f = fit（cdate，pop，'poly2'）

f = 
     线性模型 Poly2：
     f（x）= p1 * x ^ 2 + p2 * x + p3
     系数（95％置信区间）：
       p1 = 0.006541（0.006124，0.006958）
       p2 = -23.51（-25.09，-21.93）
       p3 = 2.113e + 04（1.964e + 04,2.226e + 04）

plot（F，cdate，pop）

有关库模型名称的列表，请参阅fitType。

拟合多项式曲面

加载一些数据并拟合 2 x度和3 度的多项式曲面y。绘制适合度和数据。

load franke 
sf = fit（[x，y]，z，'poly23'）

     线性模型Poly23：
     sf（x，y）= p00 + p10 * x + p01 * y + p20 * x ^ 2 + p11 * x * y + p02 * y ^ 2 + p21 * x ^ 2 * y 
                    + p12 * x * y ^ 2 + p03 * y ^ 3
     系数（95％置信区间）：
       p00 = 1.118（0.9149,1.321）
       p10 = -0.0002941（-0.000502，-8.623e-05）
       p01 = 1.533（0.7032,2.364）
       p20 = -1.966e-08（-7.084e-08,3.1552e-08）
       p11 = 0.0003427（-0.0001009,0.0007863）
       p02 = -6.951（-8.421，-5.481）
       p21 = 9.563e-08（6.276e-09,1.85e-07）
       p12 = -0.0004401（-0.0007082，-0.0001721）
       p03 = 4.999（4.082,5.917）

plot（sf，[X，Y，Z）

在MATLAB表中使用变量拟合曲面

加载franke数据并将其转换为MATLAB®表格。

load franke 
T = table（x，y，z）;

将表中的变量指定为函数的输入，并绘制拟合。fit

f = fit（[Tx，Ty]，Tz，'linearinterp'）;
plot（f，[Tx，Ty]，Tz）

在拟合之前创建适合选项和适合类型

加载和绘制数据，使用和函数创建拟合选项和拟合类型，然后创建并绘制拟合。fittypefitoptions

加载并绘制数据census.mat。

load census
plot（cdate，pop，'o'）

为自定义非线性模型创建拟合选项对象和拟合类型，其中a和b是系数，n是与问题相关的参数。

fo = fitoptions（'Method'，'NonlinearLeastSquares'，... 
               'Lower'，[0,0]，... 
               'Upper'，[Inf，max（cdate）]，... 
               'StartPoint'，[1 1]）;
ft = fittype（'a *（xb）^ n'，'problem'，'n'，'options'，fo）;

使用拟合选项和n = 2 的值来拟合数据。

[curve2，gof2] = fit（cdate，pop，ft，'问题'，2）

curve2 = 

     一般模型：
     curve2（x）= a *（xb）^ n
     系数（95％置信区间）：
       a = 0.006092（0.005743，0.006441）
       b = 1789（1784，1793）
     问题参数：
       n = 2

gof2 = 

  结构与字段：

           sse：246.1543
       rsquare：0.9980
           dfe：19
    adjrsquare：0.9979
          rmse：3.5994

使用拟合选项和n = 3 的值来拟合数据。

[curve3，gof3] = fit（cdate，pop，ft，'problem'，3）

curve3 = 

     一般模型：
     curve3（x）= a *（xb）^ n
     系数（95％置信区间）：
       a = 1.359e-05（1.245e-05,1.474e-05）
       b = 1725（1718,1731）
     问题参数：
       n = 3

gof3 = 

  结构与字段：

           sse：232.0058
       rsquare：0.9981
           dfe：19
    adjrsquare：0.9980
          rmse：3.4944

用数据绘制拟合结果。

hold on 
plot（curve2，'M' ）
plot（curve3，'c'）
legend（'Data'，'n = 2'，'n = 3'）
hold off

拟合指定标准化和可靠选项的立方多项式

加载一些数据，并配合和策划了三次多项式具有中心和规模（Normalize）和强大的安装选项。

load census ;
f = fit（cdate，pop，'poly3'，'Normalize'，'on'，'Robust'，'Bisquare'）

f = 
     线性模型Poly3：
     f（x）= p1 * x ^ 3 + p2 * x ^ 2 + p3 * x + p4
       其中x由均值1890和标准差62.05归一化
     系数（95％置信区间）：
       p1 = -0.4619（-1.895，0.9707）
       p2 = 25.01（23.79,26.22）
       p3 = 77.03（74.37,79.7）
       p4 = 62.81（61.26,64.37）

plot（f，cdate，pop）

拟合由文件定义的曲线

在文件中定义一个函数并使用它来创建拟合类型并拟合曲线。

定义在MATLAB的功能®文件。

function y = piecewiseLine（x，a，b，c，d，k）
 ％PIECEWISELINE由两段不连续的线组成的线。

y =zeros（size（x））;

％这个例子纯粹出于例子的目的而包含了for-loop和if语句。
for i = 1：length（x）
     if x（i）<k，
        y（i）= a + b。* x（i）;
    else
        y（i）= c + d。* x（i）;
    end
end
end

保存文件。

定义了一些数据，创建一个适合类型指定功能piecewiseLine，创建一个配合使用的配合型ft，并绘制结果。

x = [0.81; 0.91; 0.13; 0.91; 0.63; 0.098; 0.28; 0.55; ...
0.96; 0.96; 0.16; 0.97; 0.96];
y = [0.17; 0.12; 0.16; 0.0035; 0.37; 0.082; 0.34; 0.56; ...
0.15; -0.046; 0.17; -0.091; -0.071];
ft = fittype（'piecewiseLine（x，a，b，c，d，k）'）
f = fit（x，y，ft，'StartPoint'，[ 1,0,1,0,0.5 ]）
plot（f，x，y）

从适合度中排除积分

加载一些数据并拟合指定要排除的点的自定义方程式。绘制结果。

加载数据并定义一个自定义方程和一些起点。

[x，y] =titanium;

gaussEqn = 'a * exp（ - （（xb）/ c）^ 2）+ d'

gaussEqn = 
'A * EXP（ - （（XB）/ C）^ 2）+ d'

startPoints = [1.5 900 10 0.6]

startPoints = 1×4

    1.5000 900.0000 10.0000 0.6000

使用自定义公式和起点创建两个拟合，并使用索引向量和表达式定义两组不同的排除点。用于Exclude从您的合体中删除异常值。

f1 = fit（x'，y'，gaussEqn，'Start'，startPoints，'Exclude'，[1 10 25]）

f1 = 
     一般型号：
     f1（x）= a * exp（ - （（xb）/ c）^ 2）+ d
     系数（95％置信区间）：
       a = 1.493（1.432,1.554）
       b = 897.4（896.5,898.3）
       c = 27.9（26.55,29.25）
       d = 0.6519（0.6367,0.6672）

f2 = fit（x'，y'，gaussEqn，'Start'，startPoints，'Exclude'，x <800）

f2 = 
     一般型号：
     f2（x）= a * exp（ - （（xb）/ c）^ 2）+ d
     系数（95％置信区间）：
       a = 1.494（1.41,1.578）
       b = 897.4（896.2,898.7）
       c = 28.15（26.22,30.09）
       d = 0.6466（0.6169,0.66764）

绘制两个适合。

plot（f1，X，Y）
title（' 符合排除的数据点1,10和25'）

figure
plot（f2，X，Y）
title（“ 拟合的数据点中排除，使得x <800”）

排除点和绘制适合显示排除的数据

您可以将排除的点定义为变量，然后将它们作为输入提供给拟合函数。以下步骤重新创建前面示例中的拟合，并允许您绘制排除点以及数据和拟合。

加载数据并定义一个自定义方程和一些起点。

[x，y] =titanium;

gaussEqn = 'a * exp（ - （（xb）/ c）^ 2）+ d'

gaussEqn = 
'A * EXP（ - （（XB）/ C）^ 2）+ d'

startPoints = [1.5 900 10 0.6]

startPoints = 1×4

    1.5000 900.0000 10.0000 0.6000

使用索引向量和表达式定义两组要排除的点。

exclude1 = [1 10 25];
exclude2 = x <800;

使用自定义方程式，起点和两个不同的排除点创建两个拟合。

f1 = fit（x'，y'，gaussEqn，'Start'，startPoints，'Exclude'，exclude1）;
f2 = fit（x'，y'，gaussEqn，'Start'，startPoints，'Exclude'，exclude2）;

绘图都适合并突出显示排除的数据。

plot（f1，X，Y，exclude1）
title（' 符合排除的数据点1,10和25'）

figure; 
plot（f2，X，Y，exclude2）
title（“ 拟合的数据点中排除，使得x <800”）

对于排除点的曲面拟合示例，加载一些曲面数据并创建和绘制指定排除数据的拟合。

load franke 
f1 = fit（[xy]，z，'poly23'，'Exclude'，[1 10 25]）;
f2 = fit（[xy]，z，'poly23'，'Exclude'，z> 1）;

figure
plot（f1，[xy]，z，'Exclude'，[1 10 25]）;
title（' 符合排除的数据点1,10和25'）

figure
plot（f2，[xy]，z，'Exclude'，z> 1）;
title（“ 拟合的数据点中排除，使得Z> 1”）

拟合平滑样条曲线并返回适合度信息

加载一些数据，并适合通过变量平滑样条曲线month和pressure，并返回优度拟合信息和输出结构。绘制数据的拟合和残差。

load enso ;
[curve，goodness，output] = fit（month，pressure，'smoothingspline'）;
plot（curve，month，pressure）;
xlabel（'月'）;
ylabel（'压力'）;

根据x-data（month）绘制残差。

plot（curve，month，pressure，'residuals'）
xlabel（'月'）
ylabel（'残余'）

使用output结构中的数据将残差与y数据（pressure）进行比较。

plot（pressure，output.residuals，'.'）
xlabel（'压力'）
ylabel（'残余'）

拟合单项指数

以指数趋势生成数据，然后使用指数模型的曲线拟合库（单项指数）中的第一个公式拟合数据。绘制结果。

x =（0：0.2：5）';
y = 2 * exp（-0.2 * x）+ 0.5 * randn（size（x））;
f = fit（x，y，'exp1'）;
plot（f，X，Y）

使用匿名函数拟合自定义模型

您可以使用匿名函数来更轻松地将其他数据传递到函数中。fit

在定义匿名函数之前加载数据并设置Emax为1：

data = importdata（'OpioidHypnoticSynergy.txt'）;
Propofol = data.data（：，1）;
Remifentanil = data.data（：，2）;
Algometry = data.data（：，3）;
Emax = 1;

将模型方程定义为匿名函数：

Effect= @（IC50A，IC50B，α，n，x，y）... 
    Emax *（x / IC50A + y / IC50B +α*（x / IC50A）...。 
    *（y / IC50B））。 （（x / IC50A + y / IC50B + ... 
    α*（x / IC50A）*（y / IC50B））。^ n + 1）;

使用匿名函数Effect作为函数的输入，并绘制结果：fit

AlgometryEffect = fit（[Propofol，Remifentanil]，Algometry，Effect，... 
    'StartPoint '，[2,10,1,0.8 ]，... 
    'Lower'，[-Inf，-Inf，-5，-Inf ]，... 
    'Robust'，'LAR'）
plot（AlgometryEffect，[Propofol，Remifentani]，Algometry）

有关使用匿名函数和其他自定义模型进行拟合的更多示例，请参阅该fittype函数。

查找系数顺序以设置起点和界限

对于属性Upper，Lower和StartPoint，您需要查找系数条目的顺序。

创建一个合适的类型。

ft = fittype（'b * x ^ 2 + c * x + a'）;

使用该coeffnames函数获取系数名称和顺序。

coeffnames（ft）

ans = 3x1单元阵列
    {'a'}
    {'b'}
    {'c'}

请注意，这ft与用于创建的表达式中系数的顺序不同fittype。

加载数据，创建一个拟合并设置起点。

load enso
fit（month，pressure，ft，'StartPoint'，[1,3,5]）

ans = 
     一般模型：
     ans（x）= b * x ^ 2 + c * x + a
     系数（95％置信区间）：
       a = 10.94（9.362,12.52）
       b = 0.0001677（-7.985e-05,0.0004153）
       c = -0.0224（-0.06559,0.02079）

这就赋予初始值的系数，如下所示：a = 1，b = 3，c = 5。

或者，您可以得到拟合选项并设置起点和下限，然后使用新选项进行重新整理。

options = fitoptions（ft）

选项=

        标准化：'关闭'
          排除：[]
          重量：[]
           方法：'NonlinearLeastSquares'
           鲁棒：'关闭'
       StartPoint：[1x0双倍]
            下：[1x0双]
            上：[1x0双]
        算法：'Trust-Region'
    DiffMinChange：1.0000e-08
    DiffMaxChange：0.1000
          显示：'通知'
      MaxFunEvals：600
          最大：400
           TolFun：1.0000e-06
             TolX：1.0000e-06

options =

        Normalize: 'off'
          Exclude: []
          Weights: []
           Method: 'NonlinearLeastSquares'
           Robust: 'Off'
       StartPoint: [1x0 double]
            Lower: [1x0 double]
            Upper: [1x0 double]
        Algorithm: 'Trust-Region'
    DiffMinChange: 1.0000e-08
    DiffMaxChange: 0.1000
          Display: 'Notify'
      MaxFunEvals: 600
          MaxIter: 400
           TolFun: 1.0000e-06
             TolX: 1.0000e-06

options.StartPoint = [10 1 3];
options.Lower = [0 -Inf 0];
fit（month，pressure，ft，options）

ans = 
     一般模型：
     ans（x）= b * x ^ 2 + c * x + a
     系数（95％置信区间）：
       a = 10.23（9.448,11.01）
       b = 4.335e-05（-1.82e-05,0.0001049）
       c = 5.523e-12（固定在约束）

输入参数

`x`- 适合矩阵的数据

拟合的数据，用一个（曲线拟合）或两个（曲面拟合）列指定为矩阵。您可以使用在MATLAB表中指定变量tablename.varname。不能包含Inf或NaN。只有复杂数据的实际部分才适合使用。

例： x

例： [x,y]

数据类型： double

`y`- 适合矢量的数据

适合的数据，指定为具有相同行数的列向量x。你可以使用一个MATLAB表格来指定一个变量tablename.varname。不能包含Inf或NaN。只有复杂数据的实际部分才适合使用。

使用prepareCurveData或prepareSurfaceData如果您的数据不是列向量形式。

数据类型： double

`z`- 适合矢量的数据

使用prepareSurfaceData如果您的数据是不是在列向量形式。例如，如果您有3个矩阵，或者如果您的数据处于网格向量形式，其中length(X) = n, length(Y) = m和size(Z) = [m,n]。

数据类型： double

`fitType`- 适合字符向量 |的模型类型字符向量的单元阵列 | 匿名函数 |
`fittype`

适合的模型类型，指定为库模型名称字符向量，MATLAB表达式，线性模型项的单元阵列，匿名函数或使用fittype函数构造的模型类型fittype。您可以使用任何有效的第一个输入fittype作为输入。fit

有关库模型名称的列表，请参阅模型名称和等式。该表显示了一些常见的例子。

库模型名称	描述
`'poly1'`	线性多项式曲线
`'poly11'`	线性多项式曲面
`'poly2'`	二次多项式曲线
`'linearinterp'`	分段线性插值
`'cubicinterp'`	分段三次插值
`'smoothingspline'`	平滑样条曲线（曲线）
`'lowess'`	局部线性回归（表面）

到适合的自定义模型，使用MATLAB表达，线性模型项的单元阵列，一个匿名函数，或者创建一个fittype与该fittype功能并使用这个作为fitType参数。有关示例，请参阅使用匿名函数拟合自定义模型。有关线性模型术语的示例，请参阅该函数。fitType

例如： 'poly2'

`fitOptions`- 算法选项
`fitoptions`

使用该fitoptions函数构造的算法选项。这是指定适合选项的名称/值对参数的替代方法。

名称 - 值对参数

指定可选的逗号分隔Name,Value参数对。Name是参数名称并且Value是相应的值。 Name必须出现在单引号（' '）内。您可以按任意顺序指定多个名称和值对参数 Name1,Value1,...,NameN,ValueN。

示例：'Lower',[0,0],'Upper',[Inf,max(x)],'StartPoint',[1 1]指定拟合方法，边界和起点。

所有拟合方法的选项

`'Normalize'`- 选择集中和缩放数据
`'off'`（默认）|`'on'`

选项居中和缩放数据，指定为逗号分隔的一对组成的'Normalize'和'on'或'off'。

数据类型： char

`'Exclude'`- 从拟合表达式中排除的点| 索引向量 | 逻辑向量 | 空

从fit中排除的点，指定为逗号分隔对由以下'Exclude'之一组成：

描述逻辑向量的表达式，例如x > 10。
一个整数向量，用于索引要排除的点，例如[1 10 25]。
所有数据点的逻辑向量，true表示异常值，由...创建excludedata。

有关示例，请参阅从拟合中排除点。

数据类型：logical |double

`'Weights'`- 重量适合
[]（默认）| 向量

适合的权重，指定为由逗号分隔的对'Weights'和与响应数据y（曲线）或z（曲面）大小相同的矢量。

数据类型： double

`'problem'`- 要分配给问题相关常量的值
单元格数组 | | 双

要分配给问题相关常量的值，指定为由逗号分隔的对'problem'和单元阵列，每个问题有一个元素相关常量。有关详情，请参阅fittype。

数据类型：cell |double

平滑选项

`'SmoothingParam'`- 在范围（0,1）中平滑参数
标量值

平滑参数，指定为由'SmoothingParam'0和1之间的逗号分隔对组成的标量值。默认值取决于数据集。只有适合的类型是可用的smoothingspline。

数据类型： double

`'Span'`- 在局部回归中使用的数据点的比例
0.25（默认）| 标量值在范围（0,1）

在局部回归中使用的数据点的比例，指定为由逗号分隔的一对'Span'和由0到1之间的标量值指定的值。只有在拟合类型为lowess或时才可用loess。

数据类型： double

线性和非线性最小二乘选项

`'Robust'`- 鲁棒线性最小二乘拟合方法
`'off'`（默认）| `LAR`|`Bisquare`

稳健的线性最小二乘拟合方法，指定为由'Robust'以下值之一组成的逗号分隔对：

'LAR' 指定最小绝对剩余方法。
'Bisquare' 指定bisquare权重方法。

适合类型Method为LinearLeastSquares或时可用NonlinearLeastSquares。

数据类型： char

`'Lower'`- 拟合系数的下限
[]（默认）| 向量

拟合系数的下限，指定为逗号分隔对'Lower'和矢量。默认值是一个空向量，表示拟合不受下限限制。如果指定了边界，则矢量长度必须等于系数的数量。使用该coeffnames函数查找矢量值中系数的条目顺序。有关示例，请参阅查找系数顺序以设置起点和界限。单独的无约束下界可以通过-Inf。

当Method是LinearLeastSquares或时可用NonlinearLeastSquares。

数据类型： double

`'Upper'`- 拟合系数的上界
[]（默认）| 向量

拟合系数的上限，指定为由逗号分隔的对'Upper'和一个向量。默认值是一个空向量，表示拟合不受上限约束。如果指定了边界，则矢量长度必须等于系数的数量。使用该coeffnames函数查找矢量值中系数的条目顺序。有关示例，请参阅查找系数顺序以设置起点和界限。个别无约束的上限可以通过+Inf。

当Method是LinearLeastSquares或时可用NonlinearLeastSquares。

数据类型： logical

非线性最小二乘选项