拟合算法简介
- 与插值算法不同,拟合算法的目的是得到一条确定的曲线;而插值是根据已有的数据来获得一系列新的“靠谱”的数据。
- 插值要求曲线必须全部经过样本数据点,而拟合所得的结果曲线不一定要经过每一个样本数据点,只要能够通过误差检验即可
一个线性规划的例子
显然,由图中的数据可以得到,可以设置该拟合曲线为
y
=
k
x
+
b
y = kx + b
y=kx+b,要估计
k
k
k 和
b
b
b 的值,可以使用高中所学知识——最小二乘法。
最小二乘法
设样本点数据为 ( x i , y i ) (x_i, y_i) (xi,yi), i = 1 , 2 , ⋯ , n i = 1, 2, \cdots, n i=1,2,⋯,n,那么最小二乘法有如下两种定义:
- 第一种定义:
y
i
^
=
k
x
i
+
b
\hat{y_i} = kx_i + b
yi^=kxi+b
其中: k i ^ , b i ^ = a r g k , b m i n ( ∑ i = 1 n ∣ y i − y i ^ ∣ ) \hat{k_i}, \hat{b_i} = arg_{k, b} min(\sum_{i=1}^{n}|y_i-\hat{y_i}|) ki^,bi^=argk,bmin(i=1∑n∣yi−yi^∣)表示表达式的参数为 k k k和 b b b,而 k ^ \hat{k} k^ 和 b ^ \hat{b} b^ 能够使得表达式取得最小值。 - 第二种定义:
y
i
^
=
k
x
i
+
b
\hat{y_i} = kx_i + b
yi^=kxi+b
其中: k ^ , b ^ = a r g k , b m i n ( ∑ i = 1 n ( y i − y i ^ ) 2 ) \hat{k}, \hat{b} = arg_{k, b}min(\sum_{i = 1}^{n}(y_i - \hat{y_i})^2) k^,b^=argk,bmin(i=1∑n(yi−yi^)2)表达的意义与第一种定义相同,只是表达式不同而已。
在平常的应用中,我们常常使用第二种定义。原因是第一种定义中含有绝对值,函数图像有拐点,不易求导。由此可以引申出以下结论:
∙
\bullet
∙ 不用奇数次原因
使用奇数次会有负数出现,那么误差就会奇偶相抵
∙
\bullet
∙ 不用偶数次原因
像4次这样的次数太高,结果易受极端数据(比如当自变量很大时)的影响。
求解最小二乘法
令
L
=
∑
i
=
1
n
(
y
i
−
k
x
i
−
b
)
2
L = \sum_{i = 1}^{n}(y_i - kx_i - b)^2
L=∑i=1n(yi−kxi−b)2,现在要寻找能够使
L
L
L 最小的
k
k
k 和
b
b
b 的值:
{
∂
L
∂
k
=
−
2
∑
i
=
1
n
x
i
(
y
i
−
k
x
i
−
b
)
=
0
∂
L
∂
b
=
−
2
∑
i
=
1
n
(
y
i
−
k
x
i
−
b
)
=
0
\left\{ \begin{aligned} & \frac{\partial L}{\partial k} = -2\sum_{i = 1}^{n}x_i(y_i - kx_i - b) = 0 \\ & \frac{\partial L}{\partial b} = -2\sum_{i = 1}^{n}(y_i - kx_i - b) = 0 \end{aligned} \right.
⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧∂k∂L=−2i=1∑nxi(yi−kxi−b)=0∂b∂L=−2i=1∑n(yi−kxi−b)=0
⇒
{
∑
i
=
1
n
x
i
y
i
=
k
∑
i
=
1
n
x
i
2
+
b
∑
i
=
1
n
x
i
∑
i
=
1
n
y
i
=
k
∑
i
=
1
n
x
i
+
b
n
\Rightarrow \left\{ \begin{aligned} & \sum_{i = 1}^{n}x_iy_i = k\sum_{i = 1}^{n}x_i^2 + b\sum_{i = 1}^{n}x_i \\ & \sum_{i = 1}^{n}y_i = k\sum_{i = 1}^{n}x_i + bn \end{aligned} \right.
⇒⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧i=1∑nxiyi=ki=1∑nxi2+bi=1∑nxii=1∑nyi=ki=1∑nxi+bn
⇒
{
n
∑
i
=
1
n
x
i
y
i
=
k
n
∑
i
=
1
n
x
i
2
+
b
n
∑
i
=
1
n
x
I
∑
i
=
1
n
y
i
∑
i
=
1
n
x
i
=
k
∑
i
=
1
n
x
i
∑
i
=
1
n
x
i
+
b
n
∑
i
=
1
n
x
i
\Rightarrow \left\{ \begin{aligned} & n\sum_{i = 1}^{n}x_iy_i = kn\sum_{i = 1}^{n}x_i^2 + bn\sum_{i = 1}^{n}x_I \\ & \sum_{i = 1}^{n}y_i\sum_{i = 1}^{n}x_i = k\sum_{i = 1}^{n}x_i\sum_{i = 1}^{n}x_i + bn\sum_{i = 1}^{n}x_i \end{aligned} \right.
⇒⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧ni=1∑nxiyi=kni=1∑nxi2+bni=1∑nxIi=1∑nyii=1∑nxi=ki=1∑nxii=1∑nxi+bni=1∑nxi
因此:
n
∑
i
=
1
n
x
i
y
i
−
∑
i
=
1
n
y
i
∑
i
=
1
n
x
i
=
k
n
∑
i
=
1
n
x
i
2
−
k
∑
i
=
1
n
x
i
∑
i
=
1
n
x
i
n\sum_{i = 1}^{n}x_iy_i - \sum_{i = 1}^{n}y_i\sum_{i = 1}^{n}x_i = kn\sum_{i = 1}^{n}x_i^2 - k\sum_{i = 1}^{n}x_i\sum_{i = 1}^{n}x_i
ni=1∑nxiyi−i=1∑nyii=1∑nxi=kni=1∑nxi2−ki=1∑nxii=1∑nxi
⇒
k
^
=
n
∑
i
=
1
n
x
i
y
i
−
∑
i
=
1
n
y
i
∑
i
=
1
n
x
i
n
∑
i
=
1
n
x
i
2
−
∑
i
=
1
n
x
i
∑
i
=
1
n
x
i
\Rightarrow \hat{k} = \frac{n\sum_{i = 1}^{n}x_iy_i - \sum_{i = 1}^{n}y_i\sum_{i = 1}^{n}x_i}{n\sum_{i = 1}^{n}x_i^2 - \sum_{i = 1}^{n}x_i\sum_{i = 1}^{n}x_i}
⇒k^=n∑i=1nxi2−∑i=1nxi∑i=1nxin∑i=1nxiyi−∑i=1nyi∑i=1nxi
⇒
b
^
=
∑
i
=
1
n
x
i
2
∑
i
=
1
n
y
i
−
∑
i
=
1
n
x
i
∑
i
=
1
n
x
i
y
i
n
∑
i
=
1
x
x
i
2
−
∑
i
=
1
n
x
i
∑
i
=
1
n
x
i
\Rightarrow \hat{b} = \frac{\sum_{i = 1}^{n}x_i^2\sum_{i = 1}^{n}y_i - \sum_{i = 1}^{n}x_i\sum_{i = 1}^{n}x_iy_i}{n\sum_{i = 1}^{x}x_i^2 - \sum_{i = 1}^{n}x_i\sum_{i = 1}^{n}x_i}
⇒b^=n∑i=1xxi2−∑i=1nxi∑i=1nxi∑i=1nxi2∑i=1nyi−∑i=1nxi∑i=1nxiyi
拟合检验
在函数时线性函数(注意:这里的线性函数是指参数是线性的,而不是自变量是线性的,例如: y = a x 2 + b y=ax^2 + b y=ax2+b同样也是线性函数)时,可以使用拟合优度(可决系数) R 2 R^2 R2 来判断拟合好坏
- 拟合优度的定义
∙ \bullet ∙ 总体平方和 S S T = ∑ i = 1 n ( y i − y ˉ ) 2 SST = \sum_{i = 1}^{n}(y_i - \bar{y})^2 SST=i=1∑n(yi−yˉ)2
∙ \bullet ∙ 误差平方和 S S E = ∑ i = 1 n ( y i − y i ^ ) 2 SSE = \sum_{i = 1}^{n}(y_i - \hat{y_i})^2 SSE=i=1∑n(yi−yi^)2
∙ \bullet ∙ 回归平方和 S S R = ∑ i = 1 n ( y i ^ − y ˉ ) 2 SSR = \sum_{i = 1}^{n}(\hat{y_i} - \bar{y})^2 SSR=i=1∑n(yi^−yˉ)2其中, S S T = S S E + S S R SST = SSE + SSR SST=SSE+SSR
此时可以定义拟合优度 R 2 = S S R S S T = S S T − S S E S S R = 1 − S S E S S T R^2 = \frac{SSR}{SST} = \frac{SST - SSE}{SSR} = 1 - \frac{SSE}{SST} R2=SSTSSR=SSRSST−SSE=1−SSTSSE, R 2 R^2 R2 越接近于0,说明误差越小,拟合度越好 。
下面证明 S S T = S S E + S S R SST = SSE + SSR SST=SSE+SSR: ∑ i = 1 n ( y i − y ˉ ) 2 = ∑ i = 1 n ( y i − y i ^ + y i ^ − y ˉ ) 2 = ∑ i = 1 n ( y i − y i ^ ) 2 + ∑ i = 1 n ( y i ^ − y ˉ ) 2 + 2 ∑ i = 1 n ( y i − y i ^ ) ( y i ^ − y ˉ ) \sum_{i = 1}^{n}(y_i - \bar{y})^2 = \sum_{i = 1}^{n}(y_i - \hat{y_i} + \hat{y_i} - \bar{y})^2 \\= \sum_{i = 1}^{n}(y_i - \hat{y_i})^2 + \sum_{i = 1}^{n}(\hat{y_i} - \bar{y})^2 + 2\sum_{i = 1}^{n}(y_i - \hat{y_i})(\hat{y_i} - \bar{y}) i=1∑n(yi−yˉ)2=i=1∑n(yi−yi^+yi^−yˉ)2=i=1∑n(yi−yi^)2+i=1∑n(yi^−yˉ)2+2i=1∑n(yi−yi^)(yi^−yˉ)因此,只需证明: ∑ i = 1 n ( y i − y i ^ ) ( y i ^ − y ˉ ) = 0 \sum_{i = 1}^{n}(y_i - \hat{y_i})(\hat{y_i} - \bar{y}) = 0 i=1∑n(yi−yi^)(yi^−yˉ)=0由一阶导数条件: { ∂ L ∂ k = − 2 ∑ i = 1 n x i ( y i − k x i − b ) = 0 ∂ L ∂ b = − 2 ∑ i = 1 n ( y i − k x i − b ) = 0 \left\{ \begin{aligned} & \frac{\partial L}{\partial k} = -2\sum_{i = 1}^{n}x_i(y_i - kx_i - b) = 0 \\ & \frac{\partial L}{\partial b} = -2\sum_{i = 1}^{n}(y_i - kx_i - b) = 0\end{aligned} \right. ⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧∂k∂L=−2i=1∑nxi(yi−kxi−b)=0∂b∂L=−2i=1∑n(yi−kxi−b)=0 ⇒ { ∑ i = 1 n x i ( y i − y i ^ ) = 0 ∑ i = 1 n ( y i − y i ^ ) = 0 \Rightarrow \left\{ \begin{aligned} & \sum_{i = 1}^{n}x_i(y_i - \hat{y_i}) = 0 \\ & \sum_{i = 1}^{n}(y_i - \hat{y_i}) = 0 \end{aligned} \right. ⇒⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧i=1∑nxi(yi−yi^)=0i=1∑n(yi−yi^)=0因此, ∑ i = 1 n ( y i − y i ^ ) ( y i ^ − y ˉ ) = ∑ i = 1 n y i ^ ( y i − y i ^ ) − y ˉ ∑ i = 1 n ( y i − y i ^ ) = ∑ i = 1 n ( k x i + b ) ( y i − y i ^ ) = 0 \begin{aligned} & \sum_{i = 1}^{n}(y_i - \hat{y_i})(\hat{y_i} - \bar{y}) \\ = & \sum_{i = 1}^{n}\hat{y_i}(y_i - \hat{y_i}) - \bar{y}\sum_{i = 1}^{n}(y_i - \hat{y_i}) \\ = & \sum_{i = 1}^{n}(kx_i + b)(y_i - \hat{y_i}) = 0 \end{aligned} ==i=1∑n(yi−yi^)(yi^−yˉ)i=1∑nyi^(yi−yi^)−yˉi=1∑n(yi−yi^)i=1∑n(kxi+b)(yi−yi^)=0(参数)线性函数可以使用 R 2 R^2 R2 来判断拟合的好坏,其他非线性的函数直接看 S S E SSE SSE 的大小即可。
总结
像拟合这类型的问题,最简便的方法时使用 M a t l a b Matlab Matlab 中的拟合工具箱来拟合。里面有许多内置的拟合函数类型,且能计算 R 2 R^2 R2 或者 S S E SSE SSE,通过输入参数,确定拟合类型即可获得拟合函数。