曲线拟合合集：regress，polyfit，robust，cfun等

参考链接：

【MATLAB】MATLAB 线性拟合小结 —— polyfit_vera吧噗_新浪博客

数据拟合与插值方法_tracezl的博客-CSDN博客_数据插值方法

【MATLAB】MATLAB 线性拟合小结 —— REGRESS多元线性回归（用最小二乘估计法）_vera吧噗_新浪博客

1多元线性回归：regress

函数表达形式为 y=β0+β1x+ε (ε是随机误差，满足E(ε)=0，var(ε)=σ2)

• [b,bint,r,rint,stats]= regress(y,X,alpha) 调用regress函数作一元线性回归
  • 输入X为自变量，n行p列。X应该包含一个全“1”的列，这样则该模型包含常数项。

                否则会警告没有P值：

                R-square and the F statistic are not well-defined unless X has a column of ones.

                利用X=[ones(size(x,1)) ,x]实现。y为因变量，n行1列。alpha为估算置信区间的精度。

•   
  • b为回归系数向量，从低到高的列向量，而polyfit中为从高到低。yhat = xdata*b; % 计算y的估计值
  • bint：b的95%置信区间矩阵，置信区间不大，说明有效性较好；若含零点，说明结果无效。
  • r：残差向量（因变量的真实值减去估计值）
  • rint：返回残差的95%置信区间，它是一个2×n的矩阵，第1列为置信下限，第2列为置信上限。该矩阵可以用来诊断异常（即发现奇异观测值）。如果第i组观测的残差的置信区间RINT(i，：)所定区间没有包含0，则第i个残差在默认的5%的显著性水平比我们所预期的要大，这可说明第i个观测值是个奇异点（即说明该点可能是错误而无意义的，如记录错误等）

                可用rcoplot(r,rint)画残差，红色的表示超出期望值的数据。圆圈代表残差的值，竖线代表置信区间的范围。

•         stats：向量，STATS中的4个值分别为：R2（判定系数），F（总模型的F测验值），P（总模型F的概率值P(F>Fz)），MSq（离回归方差或误差方差的估计值）。
  • 判定系数(the Coefficient of the Determination)R2：是判断回归模型拟合程度的一个指标，其取值范围为[0, 1]；判定系数越大说明回归模型的拟合程度越高，回归方程越显著。
  • F>F(1-α)(k, n-k-1)时拒绝H0，F越大，说明回归方程越显著。

与F对应的概率P<α时拒绝H0，回归模型成立。

• MSq：由于最小二乘法中不求误差方差σ2，其误差平方和Msq定义为SSR/自由度，其中SSR为Regression Sum of Squares。

• stats = reglm(y,X,model,varnames) 多重线性回归分析
  • 产生线性回归分析的方差分析表和参数估计结果，并以表格形式显示在屏幕上。参数X是自变量观测值矩阵，它是n行p列的矩阵。y是因变量观测值向量，它是n行1列的列向量
  • stats：返回一个包括了回归分析的所有诊断统计量的结构体变量stats。
  • 可选的model参数来控制回归模型的类型
    • 'linear' 带有常数项的线性模型（默认情况）
    • 'interaction' 带有常数项、线性项和交叉项的模型
    •  'quadratic' 带有常数项、线性项、交叉项和平方项的模型
    •  'purequadratic' 带有常数项、线性项和平方项的模型

        

                eg：

scatter(x,y,'k.');

hold on

[xx,yy]=prepareCurveData(x,y);  %去除空值

xx=[ones(length(xx),1),xx];     %添加常数项

[b,bint,r,rint,stats]= regress(yy,xx,0.05); %x自变量，y因变量，置信水平0.05

% rcoplot(r,rint);    %残差图，红色为超出期望值的数据

y2=b(1)+b(2)*x; %拟合线

plot(x,y2,'r-');

text(2,15,['y=',num2str(roundn(b(2),-2)),'*x+',num2str(roundn(b(1),-2))])

if stats(3)<0.01

    str='^{**}';

elseif stats(3)<0.05

    str='^*';

else

    str=[];

end

text(2,14,['R^2=',num2str(roundn(stats(1),-2)),str])

text(2,13,['P=',num2str(stats(3))])

axis([0 16 0 16])

legend('wind speed')

xlabel('lac')

ylabel('PL')

box on

hold off

2多项式拟合：polyfit线性最小二乘拟合

函数表达形式为：f(x)=a1*xm+...+am*x+am+1

• 函数命令为：[a,s]=polyfit(x,y,m)     
  •  x，y为对应的自变量，m为需要拟合的最高次幂，产生一个m次的多项式
  • 矩阵S用于生成预测值的误差估计。 S是一个结构体数组(struct)，用来估计预测误差，包含了R，df和normr。
    • R：polyfit函数中，先根据输入的x构建范德蒙矩阵V，然后进行QR分解，得到的上三角矩阵。
    • df：自由度， df=length(y)-(n+1)。df>0时，为超定方程组的求解，即拟合点数比未知数(p(1)~p(n+1))多。
    • normr：标准偏差、残差范数，normr=norm(y-V*p)，此处的p为求解之后的数值。
  • [a,s,mu]=polyfit(x,y,m)   

mu=[mean(X); std(X)]，mean(X)求X每一列的均值，std(X)求X的标准差。

此处加了mu会改变拟合结果，未知原因。建议不加mu。

• 相关系数R2：rsquare=1-s.normr^2/norm(y-mean(y))^2

• y=polyval(a,x);      根据拟合的函数得出x对应的因变量的值
• [y,delta]=polyconf(a,x,s,alpha) 对ployfit拟合曲线进行评价和置信区间估计

计算回归多项式在x处的预测值y及预测值的显著性为1-alpha的置信区间Y±DELTA，alpha缺省时为0.05

• eg：
  1. 多项式拟合polyfit

scatter(ts,ta,'.')

hold on

[xx,yy]=prepareCurveData(ts,ta);  %去除空值

[a1,b1]=polyfit(xx,yy,1); %拟合

x1=0:1:30;

y1=polyval(a1,x1);

plot(x1,y1,'r-');

rsquare=1-b1.normr^2/norm(yy-mean(yy))^2;  %求R2

text(2,15,['y=',num2str(roundn(a1(1),-2)),'*x+',num2str(roundn(a1(2),-2))])

text(2,12,['R2=',num2str(roundn(rsquare,-2))])

axis([0 20 0 20])

xlabel('ts')

ylabel('ta')

box on

hold off

1. 绘制置信区间

x=0:30;

y=xlsread('C:\Users\Desktop\data.xlsx');

[p,s]=polyfit(x,y,4);

y1= polyval(p,x);

[yfit,dy] = polyconf(p,x,s,'predopt','curve');

%绘制置信范围

xconf=[x,fliplr(x)]; %一个来回

yconf=[yfit-dy,fliplr(yfit+dy)]  %条带宽度delta

h1=fill(xconf,yconf,'r','FaceColor',[1 0.8 0.8],'EdgeColor','none'); %设定颜色

hold on

h2=plot(x,y1,'b','linewidth',2); 

h3=plot(x,y,'r.','markersize',15); 

点状置信区间plot(x,y,'k+',x,Y,'r * ',x,yy+DELTA,'r o ',x,yy-DELTA,'r o ') 

 

3稳健回归：robust

• [b,stats]=robustfit(x,y,’wfun’,tune,’const’) 受异常值的影响较小
  • b返回系数估计向量；stats返回各种参数估计；’wfun’指定一个加权函数；tune为调协常数；’const’的值为’on’(默认值)时添加一个常数项；为’off ’时忽略常数项。

 

4自定义函数拟合 nlinfit()或cfun

• [beta,r,J]=nlinfit(X,y,model,beta0) 多元非线性回归
  • beta返回函数model中的待定常数；r表示残差；J表示雅可比矩阵。X,y为数据；model自定义函数；beta0待定常数初值。

eg：

mymodel = inline('beta(1)*x(:,1).^3 + beta(2)*x(:,2).^2 + beta(3)*log2(x(:,3)','beta','x');

%x(:1)是取x的第一列数据，相应的x(:,2)取第二列数据

%beta(1),beta(2),beta(3)为所求系数

x = [x1,x2,x3]; %自变量x1,x2,x3

beta0= [a1,b1,c1,d1,e1,f1,m1,n1,z1]; %系数初始值

beta = nlinfit(x,y,myfun,temp); %回归得到系数beta

• fit 自定义拟合函数

eg：

f(t)=a*t+b

f=fittype('a*t+b','independent','t','coefficients',{'a','b'}); %fittype是自定义拟合函数

cfun=fit(b(:,1),b(:,2),f) %根据自定义拟合函数f来拟合数据x，y

x1=0:1:30;

y1=cfun(x1);

plot(x1,y1,'b-');

5曲线拟合工具箱cftool

直接在matlab命令行输入cftool命令即可进入cftool窗口，输入命令回车后就得到界面

进行曲线拟合的时候，最基本的操作包括点击“data...”按钮和“fitting...”按钮。

2.1 data...按钮

首先，到命令窗口中为点击"data..."做好准备：

1. >> x=[8.0, 9.0, 10.0, 11.0, 12.0, 13.0, 14.0, 15.0, 16.0, 17.0, 18.0, 19.0, 20];  
2. >> y=[0.6,0.62,0.64, 0.65, 0.66, 0.67, 0.68, 0.68, 0.69, 0.66, 0.65, 0.65,0.64];  
3. >>   

然后，点击“data...”按钮，选x横坐标和选y纵坐标变量：

1）在弹出的Data窗口中，在X Data选项中选择x,在Y Data中选择y。其中X, Y都是刚刚在命令行所准备的数据变量名。

2）经过此步骤后点击“Create data set”按钮。这个时候Data对话框背后的对话框中已经有散点图了。

不要害怕没有出结果，请果断的点击Data中的close按钮吧。

2.2 fitting...按钮

在正确设置Data对话框之后，在关闭Data对话框之后，就可以点击fitting...按钮了。会弹出这么一个对话框：

1）在Fitting对话框中点击New fit后在Fit name为此次曲线取名字：“cftool 曲线拟合”，当有多条曲线需要同时绘制时，每次都需要点击New fit,然后选择对应的Data set值即对应相应的数据变量就可以绘制多条曲线了。即同时拟合多条曲线。选择data set。

2）选择相应类型的曲线拟合（到其它地方粘贴过来的），点击Type of fit 下拉菜单：

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(c1-((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)

3）最后再选择一种曲线拟合下的具体类型，点击Apply按钮就可以看见所拟合的曲线了。

如果发现曲线和数据点不是很“磨合”就需要重新选择曲线类型了。

上图是点击了应用按钮之后的状态，在Results中得来的就是拟合数据的曲线函数关系式。

点击Appy后的运行结果为：

2.3 CFTOOL菜单使用

在上面显示的曲线拟合结果中，可以明显的看见横坐标和纵坐标都不是从原点（0,0）开始设置的坐标。那么我们可以使用

Curve Fitting Tool 对话框中Tools菜单中的

然后Tools中的各个选项都有什么特殊的功能呢，呵呵，亲，你随便点点用用就知道了：

1）New Cunstom Equation:表示使用自定义的函数来模拟图中显示的散点数据的函数式子。

2）Legend:就是图中显示着“y vs.x   cftool 曲线拟合”的那个框。

3）Grid：跟指令grid一样的功能，是曲线背景充满虚线框。

4）Axis Limit Control:设置横轴、纵轴坐标的范围，这个按钮就可以使横纵坐标从你想要的初值到终值了。