目录
1.线性函数拟合
使用函数polyfit(最小二乘法):polyfit(x,y,n),其中n是多项式的次数,产生一个1行n+1列的矩阵p,进而可构造多项式。
对于函数y=m*x+b,即上述函数n=1时,m=p(1),b=p(2)
- 平滑数据,即实际自变量,在拟合函数下,对应的因变量值
- 残差(用于了解拟合程度):
,其中
是实际自变量,在拟合函数下,对应的因变量值,也即模型的近似值或预测值,
是实际数据的因变量值
- 数集与均值偏差的平方和:
,
实际因变量,
为实际因变量的均值
,当
越接近1,拟合越好。
例如:
运行结果:
图像:
p,m,b的值:
w的值:
误差:
2.曲线拟合
- RMS误差:
,其中Ti为准确值,Ai为模型的近似值或预测值
例如:
线性拟合:
运行结果:
曲线拟合:
运行结果:
上述比较可知:曲线拟合的程度比线性拟合的程度好,RMS误差减少一半,但并不一定次数越大,拟合越好,具体问题具体分析 。
3.练习
运行结果: