数学建模——多元线性回归 /多元线性拟合

 

clear all
clc
 
%绘图
x=1:10;
y=[2650,1942,1493,1086,766,539,485,291,224,202];
z=zeros(size(y));
N=length(y);
hold on
for i =1:N
    z(i)=log(y(i));
    plot(x(i),z(i),'ok');
end
 
%命名x轴和y轴
xlabel('x');
ylabel('y');

        经过分析：各点基本处于一条直线附近，可以认为z=a+bx+c
既然已经确定好了函数类型，就可以求解参数具体值。
 代码：

clear all
clc
 
x=1:10;
y=[2650,1942,1493,1086,766,539,485,291,224,202];
z=zeros(size(y));
N=length(y);
for i =1:N
    z(i)=log(y(i));
end
[p,s]=polyfit(x,z,1)

function [ b, bint, r, rint, stats ] = Multiple_linear_regression( X,y,alpha )
%Multiple_linear_regression 多元线性回归
%对于输入数据(必须是去除量纲之后的数据)进行多元线性回归处理
% 输入变量
%   X：由自变量组成的矩阵(第一列必须全为1)
%   y：因变量（列向量）
%   alpha：显著性水平（缺省时默认为0.05）
%   若X中两个原本全为变量，需第一列加上1，作为最后常数项的系数预测
% 输出变量
%   b为线性回归模型Y = X*B回归系数（即斜率参数）第一个是常数项系数
%   bint为b的置信区间(按行显示)
%   r为残差（实际值与拟合值的差）
%   rint为残差的置信区间
%   stats包含如下四个统计量
%       R^2统计量（越接近1，变量的线性相关性越强，说明模型有效）
%       F统计量
%       F(1,n-2)分布大于F的概率p值（显著性水平，判断原始假设是否正确的重要证据）
%       剩余方差s^2（主要用来比较模型是否有改进，越小则模型精度越高）
X = [ones(size(y)),X];
[b, bint, r, rint, stats] = regress(y,X,alpha);
if stats(3)<0.01
    disp('F(1,n-2)分布大于F的概率p值为：');
    disp( stats(3) );
    disp('p值很小（P<0.001）,说明拟合模型有效');
else
    disp('p值较大（P>0.001）,说明拟合模型效果不好');
end
%% 画出拟合效果图
figure
y_fitting = X*b;
t = 1:length(y);
plot(t,y_fitting,'r-',t,y,'b-',t,abs(y_fitting-y),'k-');
legend({'红——拟合值','蓝——实际值','黑——误差值'},'fontsize',12,'Location','NorthWest');
xlabel('点的序号','fontsize',12);
ylabel('y对应的值','fontsize',12);
set(gca, 'XGrid','on'); % X轴的网格
set(gca, 'YGrid','on'); % Y轴的网格
end