【无标题】

1.本次线性回归主要学习了两个函数，分别对应1元和多元线性回归
1.1 一元线性回归 polyfit函数

clear all,clc
x=1:10;  
y=[2650,1942,1493,1086,766,539,485,291,224,202]; %原始数据

z=log(y);  %对y做处理

[p,~]=polyfit(x,z,1)
%其中x z为拟合的 xy轴数据
%1 为拟合出式子最高项为x^1 
%得出的p 从前往后分别对应高项 一直到常数项


plot(x,z,'*r');
hold on
plot(x,p(1)*x+p(2),'g');
xlabel('X');   %加X轴说明
ylabel('Z');  %加Y轴说明
legend('实际数据点','拟合曲线')      %加图例
hold off

代表 z=-0.2894x+8.1671
转化到y=e^(-0.2894x+8.1671)

1.2多元线性回归 regress函数 多元意思是变量有多个

%开始多元回归
clear all,clc
x1=[1.376,1.375,1.387,1.401,1.412,1.428,1.445,1.477];
x2=[0.450,0.475,0.485,0.5,0.535,0.545,0.55,0.575];
x3=[2.170,2.554,2.676,2.713,2.823,3.088,3.122,3.262];
x4=[5.19,1.161,0.5346,0.9589,2.0239,1.0499,1.1065,1.1387];
y=[5.19,5.3,5.6,5.82,6,6.06,6.45,6.95];

x=[ones(size(x1')),x1',x2',x3',x4'];
b=regress(y',x)

%输入变量x 需要将多元变量整理成列形式 
%         ones函数， 代表常数项， x1 ~x4 分别代表x1^1 ~x4^1
%输出  从前往后分别对应 常数项 x1^1 ~x4^1的系数
%     不过每个变量常数项可以加到一起 所以放到最后一行

结果表示此多元函数拟合的式子为 y=-20.5297+19.1269x1+8.0045x2-1.5867x3-0.1465x4