插值与拟合模型（二）拟合算法与cftool工具箱

1、拟合：只保证误差足够小，结果是得到一条确定的曲线。

2、最小二乘法

 注：arg是参数，eg:

（1）第一种定义有绝对值，不容易求导，所以我们往往使用第二种定义。

（2）为什么不用三次方？  误差会正负相抵。

（3）为什么不用四次方？  避免极端数据对拟合曲线的影响。

（4）为什么要用二次方？  最小二乘法得到的结果和MLE极大似然估计一致。

3、求解最小二乘法

 （L在机器学习中被称为损失函数，在回归中被称为残差平方和）

推导：

4、评价拟合的好坏：拟合优度（可决系数）

 SST=SSE+SSR

  越接近1，说明SSE越接近0，误差越小说明拟合越好。（误差平方和SSE易受到量纲影响）

注意：

 只能用于拟合函数是线性函数时拟合结果的评价

线性函数和其他函数（eg：复杂的指数函数）比较拟合的好坏直接看SSE即可

5、实际操作中，我们可以设多个拟合函数，并求出 ，比较之下取最佳。

注意要考虑一个问题：

拟合的函数越复杂（次数越高），SSE越小，但有可能出现龙格现象，而且拟合算法希望找到一个简单的函数，因此要注意小误差和函数简单程度的取舍。

6、线性函数

（1）对变量为线性：  （x为变量）

（2）对参数为线性（线性于参数）：本方法中使用这个类型  eg： 是线性函数

7、部分matlab函数用法

（1）xlabel('x的值')   x轴显示标签     ylabel('y的值')

（2） 匿名函数用法：handle=@(arglist) anonymous-function

arglist：参数列表，即自变量                                                                                                            anonymous-function：表达式

eg：z=@(x,y) x^2+y^2;

        z(1,2);

        ans=5

（3）fplot 可用于画出匿名一元函数的图形

fplot(f,[a,b]);    [a,b] 是xinterval ，即自变量范围

（4）求均值的函数 mean()

8、代码

clear;clc
load  data1
plot(x,y,'o')% 给x和y轴加上标签
xlabel('x的值')
ylabel('y的值')
n = size(x,1);
k = (n*sum(x.*y)-sum(x)*sum(y))/(n*sum(x.*x)-sum(x)*sum(x))
b = (sum(x.*x)*sum(y)-sum(x)*sum(x.*y))/(n*sum(x.*x)-sum(x)*sum(x))
hold on % 继续在之前的图形上来画图形
grid on % 显示网格线


f=@(x) k*x+b;
fplot(f,[2.5,7]);
legend('样本数据','拟合函数','location','SouthEast')

y_hat = k*x+b; % y的拟合值
SSR = sum((y_hat-mean(y)).^2)  % 回归平方和
SSE = sum((y_hat-y).^2) % 误差平方和
SST = sum((y-mean(y)).^2) % 总体平方和
SST-SSE-SSR   % 5.6843e-14  =   5.6843*10^-14   matlab浮点数计算的一个误差
R_2 = SSR / SST% 拟合优度

---

cftool曲线拟合工具箱

 1、如何打开？

matlab中APP ,数字、统计和优化中的Curve Fitting Tool

2、界面

 3、进入曲线拟合工具箱界面“Curve Fitting tool”
（1）点击“Data”按钮，弹出“Data”窗口；
（2）利用X data和Y data的下拉菜单读入数据x,y，可修改数据集名“Data set name”，然后点击“Create data set”按钮，退出“Data”窗口，返回工具箱界面，这时会自动画出数据集的曲线图；
（3）点击“Fitting”按钮，弹出“Fitting”窗口；
（4）点击“New fit”按钮，可修改拟合项目名称“Fit name”，通过“Data set”下拉菜单选择数据集，然后通过下拉菜单“Type of fit”选择拟合曲线的类型，工具箱提供的拟合类型有：

Custom Equations：用户自定义的函数类型
Exponential：指数逼近，有2种类型， a*exp(b*x) 、 a*exp(b*x) + c*exp(d*x)
Fourier：傅立叶逼近，有7种类型，基础型是 a0 + a1*cos(x*w) + b1*sin(x*w)
Gaussian：高斯逼近，有8种类型，基础型是 a1*exp(-((x-b1)/c1)^2)
Interpolant：插值逼近，有4种类型，linear、nearest neighbor、cubic spline、shape-preserving
Polynomial：多形式逼近，有9种类型，linear ~、quadratic ~、cubic ~、4-9th degree ~
Power：幂逼近，有2种类型，a*x^b 、a*x^b + c
Rational：有理数逼近，分子、分母共有的类型是linear ~、quadratic ~、cubic ~、4-5th degree ~；此外，分子还包括constant型
Smoothing Spline：平滑逼近（翻译的不大恰当，不好意思）
Sum of Sin Functions：正弦曲线逼近，有8种类型，基础型是 a1*sin(b1*x + c1)
Weibull：只有一种，a*b*x^(b-1)*exp(-a*x^b)
选择好所需的拟合曲线类型及其子类型，并进行相关设置：
——如果是非自定义的类型，根据实际需要点击“Fit options”按钮，设置拟合算法、修改待估计参数的上下限等参数；
——如果选Custom Equations，点击“New”按钮，弹出自定义函数等式窗口，有“Linear Equations线性等式”和“General Equations构造等式”两种标签。
在本例中选Custom Equations，点击“New”按钮，选择“General Equations”标签，输入函数类型y=a*x*x + b*x，设置参数a、b的上下限，然后点击OK。

（5）类型设置完成后，点击“Apply”按钮，就可以在Results框中得到拟合结果，如下例：

general model:
f(x) = a*x*x+b*x
Coefficients (with 95% confidence bounds):
a = 0.009194 (0.009019, 0.00937)
b = 1.78e-011 (fixed at bound)
Goodness of fit:
SSE: 6.146
R-square: 0.997
Adjusted R-square: 0.997
RMSE: 0.8263

同时，也会在工具箱窗口中显示拟合曲线。

这样，就完成一次曲线拟合啦，十分方便快捷。当然，如果你觉得拟合效果不好，还可以在“Fitting”窗口点击“New fit”按钮，按照步骤（4）~（5）进行一次新的拟合。
不过，需要注意的是，cftool 工具箱只能进行单个变量的曲线拟合，即待拟合的公式中，变量只能有一个。对于混合型的曲线，例如 y = a*x + b/x ，工具箱的拟合效果并不好。

 4、Poilnomial中勾选center and scale :将数据标准化后再拟合

中心化公式：    Sd是标准差

5、Custom Equation 中若自定义的拟合函数不收敛，则Fit option 修改Start Point

6、如何保存图片？

文件，Print to Figure，文件，导出设置，导出（png/jpg）  (导出设置的渲染中修改分辨率可以调整图片清晰度)

7、如何调用代码？

文件，Generate Code (可放附录)

8、部分matlab函数用法

（1）randi : 产生均匀分布的随机整数（i = int）  
s1 = randi(10,2,5)  一个1至10之间的随机整数矩阵，大小为2x5
s2 = randi([-5,5],1,10)  一个-5至5之间的随机整数矩阵，大小为1x10

（2） rand: 产生0至1之间均匀分布的随机数
s3 = rand(1,5)  一个0至1之间的随机矩阵，大小为1x5
s4=a + (b-a) * rand(m,n)  一个a至b之间的随机矩阵，大小为mxn

（3）normrnd:产生正态分布的随机数
s5 = normrnd(a,b,m,n)  一个均值为a，标准差（方差开根号）为b的正态分布的随机矩阵，大小为mxn

（4）roundn—任意位置四舍五入
0个位 1十位  2百位 -1小数点后一位  
a = 3.1415
roundn(a,-2)    % ans   =  3.1400
roundn(a,2)      % ans   =  0
a =31415
roundn(a,2)   % ans  = 31400
roundn(5.5,0)  %6
roundn(5.5,1) %10