matlab多变量拟合regress,matlab多元与非线性回归即拟合问题regressnlinfit

matlab多元与非线性回归即拟合问题regressnlinfit

回归(拟合)自己的总结(20100728) 1：学三条命令：polyfit(x,y,n)---拟合成一元幂函数(一元多次) regress(y,x)----可以多元， nlinfit(x,y,’fun’,beta0) (可用于任何类型的函数，任意多元函数，应用范围最主，最万能的) 2：同一个问题，可能这三条命令都可以使用，但结果肯定是不同的，因为拟合的近似结果，没有唯一的标准的答案。相当于咨询多个专家。 3：回归的操作步骤： (1) 根据图形(实际点)，选配一条恰当的函数形式(类型)---需要数学理论与基础和经验。(并写出该函数表达式的一般形式，含待定系数) (2) 选用某条回归命令求出所有的待定系数 所以可以说，回归就是求待定系数的过程(需确定函数的形式) 配曲线的一般方法是： (一)先对两个变量x和y 作n次试验观察得画出散点图， 散点图 (二)根据散点图确定须配曲线的类型. 通常选择的六类曲线如下： (1)双曲线 (2)幂函数曲线y=a, 其中x>0,a>0 (3)指数曲线y=a其中参数a>0. (4)倒指数曲线y=a其中a>0， (5)对数曲线y=a+blogx,x>0 (6)S型曲线 (三)然后由n对试验数据确定每一类曲线的未知参数a和b. 一、一元多次拟合polyfit(x,y,n) 一元回归polyfit 多元回归regress---nlinfit(非线性) 二、多元回归分析 (其实可以是非线性，它通用性极高) 对于多元线性回归模型： 设变量的n组观测值为 ． 记 ，，则 的估计值为 排列方式与线性代数中的线性方程组相同() 拟合成多元函数---regress 使用格式： 左边用b=或[b, bint, r, rint, stats]= 右边用regress(y, x) 或 regress(y, x, alpha) ---命令中是先y后x, ---须构造好矩阵x(x中的每列与目标函数的一项对应) ---并且x要在最前面额外添加全1列/对应于常数项 ---y必须是列向量 ---结果是从常数项开始---与polyfit的不同。) 其中： b为回归系数的估计值(第一个为常数项)． bint为回归系数的区间估计 r: 残差 rint: 残差的置信区间 stats: 用于检验回归模型的统计量，有四个数值：相关系数r2、F值、与F对应的概率p和残差的方差(前两个越大越好，后两个越小越好) alpha: 显著性水平(缺省时为0.05，即置信水平为95%) (alpha不影响b,只影响bint(区间估计)。它越小，即置信度越高，则bint范围越大。显著水平越高，则区间就越小) (返回五个结果)---如有n个自变量-有误(n个待定系数)，则b 中就有n+1个系数(含常数项，---第一项为常数项) (b---b的范围/置信区间---残差r---r的置信区间rint----- 点估计----区间估计 此段上课时不要：---- 如果的置信区间(bint的第行)不包含0，则在显著水平为时拒绝的假设，认为变量是显著的．*******(而rint残差的区间应包含0则更好) b,y等均为列向量,x为矩阵(表示了一组实际的数据) 必须在x第一列添加一个全1列。----对应于常数项-------而nlinfit不能额外添加全1列。 结果的系数就是与此矩阵相对应的(常数项，x1,x2,……xn)。 (结果与参数个数：1/5=2/3-----y,x顺序---x要额外添加全1列) 而nlinfit:1/3=4------x,y顺序---x不能额外添加全1列，---需编程序，用于模仿需拟合的函数的任意形式，一定两个参数，一为系数数组，二为自变量矩阵(每列为一个自变量) 有n个变量---不准确，x中就有n列,再添加一个全1列(相当于常数项)，就变为n+1列，则结果中就有n+1个系数。 x需要经过加工，如添加全1列，可能还要添加其他需要的变换数据。 相关系数r2越接近1，说明回归方程越显著；(r2越大越接近1越好) F越大，说明回归方程越显著；(F越大越好) 与F对应的概率p越小越好，一定要P> x=[143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164] ; >> y=[88 85 88 91 92 93 93 95 96 98 97 96 98 99 100 102] ; >> plot(x,y, r+ ) >> z=x; >> x=[ones(