示例1: 多变量回归分析函数
示例2: 矩阵特征值和特征向量计算函数
示例3: 数值积分函数
示例4: 傅里叶变换分析函数
示例1函数代码:
function [coefficients, RMSE, adjustedR2] = multipleLinearRegression(X, Y)
% 多变量线性回归函数
% 输入:
% X - 自变量矩阵,每列是一个变量
% Y - 因变量向量
% 输出:
% coefficients - 回归系数
% RMSE - 均方根误差
% adjustedR2 - 调整后的R方值
% 添加常数项
X = [ones(size(X, 1), 1) X];
% 计算回归系数
coefficients = (X' * X) \ (X' * Y);
% 预测值和残差
Y_pred = X * coefficients;
residuals = Y - Y_pred;
% 计算RMSE
RMSE = sqrt(mean(residuals.^2));
% 计算调整后的R方
n = length(Y); % 样本数量
p = size(X, 2) - 1; % 自变量数量
SS_tot = sum((Y - mean(Y)).^2);
SS_res = sum(residuals.^2);
R2 = 1 - SS_res/SS_tot;
adjustedR2 = 1 - (1-R2)*(n-1)/(n-p-1);
end
② 代码解释
这个函数执行多变量线性回归分析,返回回归系数、均方根误差(RMSE)和调整后的R方值。步骤如下:
-
数据准备:函数接受两个输入参数,自变量矩阵
X
和因变量向量Y
。X
的每一列代表一个自变量,而Y
是响应变量。 -
添加常数项:为了包括截距项,向
X
矩阵添加一列全为1的常数项。 -
计算回归系数:利用最小二乘法计算线性回归模型的系数。这是通过解线性方程组
X' * X * coefficients = X' * Y
来实现的。 -
预测和残差计算:使用回归模型预测
Y
值,并计算残差(实际值与预测值之差)。 -
计算RMSE:均方根误差是衡量预测误差的标准。计算方法是对残差平方求均值后开方。
-
计算调整后的R方:R方值衡量模型的拟合程度。调整后的R方还考虑了自变量的数量,以防止过度拟合。
目录