数学建模 第四讲拟合学习笔记

拟合算法

与插值问题不同，在拟合问题中不需要曲线一定经过给定的点。拟
合问题的目标是寻求一个函数（曲线），使得该曲线在某种准则下与所
有的数据点最为接近，即曲线拟合的最好（最小化损失函数）。

插值和拟合的区别

插值算法中，得到的多项式f(x)要经过所有样本点。但是如果样本点太多，那
么这个多项式次数过高，会造成龙格现象。
尽管我们可以选择分段的方法避免这种现象，但是更多时候我们更倾向于得到
一个确定的曲线，尽管这条曲线不能经过每一个样本点，但只要保证误差足够小即
可，这就是拟合的思想。(拟合的结果是得到一个确定的曲线)

确定拟合曲线

我们设置的拟合曲线为y=kx+b
问题：未知参数k,b如何确定？能使样本点和拟合曲线更接近

最小二乘法的几何解释

第一种定义有绝对值，不容易求导，因此计算比较复杂。
所以我们往往使用第二种定义，这也正是最小二乘的思想。
为什么不用四次方？
（1）避免极端数据对拟合曲线的影响。
（2）最小二乘法得到的结果和MLE极大似然估计一致。
不用奇数次方的原因：误差会正负相抵。

求解最小二乘法

Matlab求解最小二乘

clear;clc
load data1
plot(x,y,'o')
% 给x和y轴加上标签
xlabel('x的值')
ylabel('y的值')
n = size(x,1);
k = (n*sum(x.*y)-sum(x)*sum(y))
/(n*sum(x.*x)-sum(x)*sum(x))
b = (sum(x.*x)*sum(y)-sum(x)*
sum(x.*y))/(n*sum(x.*x)-sum(x)
*sum(x))
hold on % 继续在之前的图形上来画图形
grid on % 显示网格线
f=@(x) k*x+b;
fplot(f,[2.5,7]);
legend('样本数据','拟合函数','location','SouthEast')

如何评价拟合的好坏

证明SST = SSE + SSR

"线性函数"的介绍

如何判断线性于参数的函数？

在函数中，参数仅以一次方出现，且不能乘以或除以其他任何的参数，并不
能出现参数的复合函数形式。

计算拟合优度的代码

y_hat = k*x+b; % y 的拟合值
SSR = sum((y_hat-mean(y)).^2) % 回归平方和
SSE = sum((y_hat-y).^2) % 误差平方和
SST = sum((y-mean(y)).^2) % 总体平方和
SST-SSE-SSR
R_2 = SSR / SST
注：
mean() 是求均值的函数。

曲线拟合工具箱

命令窗口中输入：“cftool”可直接打开

随机数生成函数

1）randi : 产生均匀分布的随机整数
%产生一个1至10之间的随机矩阵，大小为2x5；
s1 = randi(10,2,5);
%产生一个-5至5之间的随机矩阵，大小为1x10；
s2 = randi([-5,5],1,10);
（2） rand: 产生均匀分布的随机数
%产生一个0至1之间的随机矩阵，大小为1x5；
s3 = rand(1,5);
%产生一个a至b之间的随机矩阵，大小为1x5；
% a + (b-a) * rand(1,5); 如：a,b = 2,5
s4= 2 + (5-2) * rand(1,5);
（3）normrnd:产生正态分布的随机数
%产生一个均值为0，标准差为2的正态分布的随机矩阵，大小为3x4；
s5 = normrnd(0,2,3,4);
（4）roundn—任意位位置四舍五入
a = 3.1415
roundn(a,-2) % ans = 3.1400
roundn(a,2) % ans = 0
a =31415
roundn(a,2) % ans = 31400

自定义函数