拟合算法1（含推导+matlab代码）

拟合算法1（含推导+matlab代码）

1.线性拟合(y = k*x + b) + 最小二乘法

$$\hat{k},\hat{b}=argmin(\sum _{i=1}^n(\widehat{y_i}-y_i{)}^2)$$

$$计算式：L(k,b)=\sum _{i=1}^n(\widehat{y_i}-y_i{)}^2\leftrightarrow \frac{\partial L(k,b)}{\partial k}=0、\frac{\partial L(k,b)}{\partial b}=0$$

$$结果：\hat{k}=\frac{n{\sum }_{i=1}^n{x}_i{y}_i-{\sum }_{i=1}^n{y}_i{\sum }_{i=1}^n{x}_i}{n{\sum }_{i=1}^n{x}_i^2-({\sum }_{i=1}^n{x}_i{)}^2}$$

$$\hat{b}=\frac{{\sum }_{i=1}^n{x}_i^2{\sum }_{i=1}^n{y}_i-{\sum }_{i=1}^n{x}_i{\sum }_{i=1}^n{x}_i{y}_i}{n{\sum }_{i=1}^n{x}_i^2-({\sum }_{i=1}^n{x}_i{)}^2}$$

2.评判拟合好坏：SST、SSE、SSR、R^2

2.1 总体、误差、回归平方和及拟合优度公式公式

$$总体平方和：SST=\sum _{i=1}^n(y_i-\overline{y}{)}^2$$

$$误差平方和：SSE=\sum _{i=1}^n(y_i-\hat{y}{)}^2$$

$$回归平方和：SSR=\sum _{i=1}^n(\widehat{y_i}-\overline{y}{)}^2$$

$$SST,SSR,SSE关系：SST=SSR+SSE(证明见下\downarrow )$$

$$拟合优度(R^2)：0\le R^2=\frac{SSR}{SST}=1-\frac{SSE}{SST}\le 1$$

2.2 SST、SSR、SSE关系证明

2.3 R^2的使用条件——线性函数

• 对参数呈线性，而非对变量呈线性

$$线性函数：f(x)=k\ast x+b、g(x)=a{x}^2+bx+c、h(x)=e^{a{x}^3+b{x}^2+cx+d}$$

$$非线性函数：f(x)=a\ast c\ast x、g(x)=alo{g}_c(bx+d)$$

• 对于非线性函数，应该用SSE判断其拟合好坏

3.代码实战(matlab实现线性拟合)

3.1使用的函数和技巧：

# 将工作区数据保存成.mat文件，用load + 文件名来导入数据
# 用.* .^来进行矩阵的内积运算
# 用sum函数对矩阵进行求和 sum(M,1或2或无)->1对列求和，2对行求和
# plot函数画图

3.2拟合代码：

clear,clc;

%可以将工作区的数据保存成.mat数据文件
%用load加载数据↓
load matching_data_code1;

%使用.*.^来进行矩阵的内积
k = ( size(x,1) * sum(x.*y) - sum(y) * sum(x) ) / ( size(x,1) * sum(x.^2) - sum(x)^2 )
b = ( sum(x.^2) * sum(y) - sum(x) * sum(x.*y) ) / ( size(x,1) * sum(x.^2) - sum(x)^2 )

new_x = 2 : 0.01 : 7;
new_y = k * new_x + b;

plot(x,y,"o", new_x , new_y , "m-" , linewidth = 1.5);
xlabel("x的值");
ylabel("y的值");
title("线性拟合函数")
legend("原样本点","拟合曲线","location","southeast");

3.3效果图：