matlab cftool代码_用Matlab来实现数据拟合

面试官：你说你很喜欢Matlab，那你知道Matlab全名叫什么吗？

我：（你这分不是白给么？呼呼）Matrix Laboratory

——————————————————————————————————————

这几天集中精力用Python刷Leetcode，感觉挺爽，不用一个劲地import。某题搞到时间超过百分之九十八，内存超过百分百，飘飘然的感觉。

——————————————————————————————————————

正文

这篇文章主要写写基础点的东西，正值毕业季，相信很多喜欢Matlab但是又对Matlab不熟悉的小伙伴、或者是希望能独立使用Matlab完成毕业设计的小伙伴，都需要一些基础性的小项目或者小程序来练练手。

这里呢，有些经验的朋友可能都知道，用polyfit可以直接实现一元函数的拟合。那现在，我们就像前面所说，不要“import”，就是不要用那些数学函数，来实现我们这个拟合。

今天的例子呢就是一个简单的一元线性函数的拟合。拟合呢，通俗地说，就是找到一条目标曲线（直线），使得所有样本点到该直线的指标的总和最优。这个指标，可以使用均方误差，这个总和呢，就是均方误差的累和。

对于样本，我们通过下面两条语句来产生

x 

由于是目标是一元线性函数，所以只需要确定两个参数即可，k，b，k为斜率，b为直线对y轴的截距。

这里需要产生一对初始参数，选用的方法是:

k

我们的实际输出为y',我们希望最后我们得到的直线能够满足以下指标：

其中n为我们的样本数，在这里就是100

由于

，所以我们的指标还可以化为如下：

再回忆一下我们高等数学中的偏导知识，我们利用梯度下降法来更新我们的斜率，使得我们的指标最优:

上述两式分别为指标对k和b的梯度，所谓梯度下降，就是让我们的指标中的参数沿着负梯度变化，也就是k和b分别沿着指标对各自的偏导的负值进行变化，于是得到

但同时我们不希望k，b变化过大，出现梯度爆炸的情况，所以我们希望有一个比较小的数，来缩小单次k和b的变化量，于是我们得到：

通过多次迭代，使得指标J能够满足我们的要求，或者是：当我们的两个梯度很小时，比如我们设定到小于0.001，这样可以认为我们的J将基本不变，于是得到J的极小值。

具体程序：

test_x 

运行结果：

从上图可知，所得直线基本处于样本中间，而误差，即我们的指标，最终稳定到1，这里，我们的指标是前述J的二倍 。

顺便和大家说一下有关于Matlab出图的一个小技巧。当我们要把运行结果图放到论文中时，我们希望figure窗口的边框部分不要出现，操作如下:

1.点击文件：

2.导出设置：

3.√上这里：

关于运行结果：

误差可能可以进一步降低，因为我们收敛到的是局部极小值，并非是全局最小，进一步地优化我们的J，可以通过粒子群算法、遗传算法等仿生智能算法。

新的平台：

我的公众号：豪杰仿真科技

是我和我的搭档阿杰合作运行，阿杰是一位Python爱好者，数学建模老油条。我和阿杰将会把最新的内容推送到公众号，当然，我个人始终会在知乎上分享我的心得与经历。这里也感谢大家的支持。

PS：公众号会发布视频教程与讲解。