11.4：MATLAB软件的函数返回值设定（课程共5930字，4段代码举例，带详细操作步骤）

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：

1. 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。

2. 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。

3. 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。

4. 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）。

5. 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。

6. 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

课程前言

MATLAB在科学计算中的重要性

为什么要学习MATLAB编程

示例1: 多变量回归分析函数

详细解析

示例2: 矩阵特征值和特征向量计算函数

详细解析

示例3: 数值积分函数

详细解析

示例4: 傅里叶变换分析函数

详细解析

示例1: 多变量回归分析函数

① 函数代码

② 代码解释

③ 代码操作步骤

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

① 函数代码

② 代码解释

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

① 函数代码

② 代码解释

示例3: 数值积分函数

示例4: 傅里叶变换分析函数

① 函数代码

② 代码解释

示例4: 傅里叶变换分析函数