数学建模-拟合算法

拟合算法

与插值算法的区别：拟合不需要曲线一定经过给定的点。

拟合的目的在于 最小化损失函数（loss）

步骤

1. 散点图

% 先将数据导入
% matlab
plot(x,y,'o')
xlabel('x的值')
ylabel('y的值')

画出散点图，进行大致的观察

2. 最小二乘法

如何理解最小二乘法？

核心表达式：

matlab求解：

clear;clc
load  % +.xlsx文件
plot(x,y,'o')
xlabel('x值')
ylabel('y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 
grid on

3. 拟合标准

拟合优度（可决系数） R²

总体平方和 SST
误差平方和 SSE
回归平方和 SSR

性质：

SST = SSE + SSR

0 <= R² = SSR/SST = (SST-SSE)/SST = 1-SSE/SST <= 1

R² 越接近1，说明SSE越接近0，误差越小拟合越好

ps. R² 只能用于线性函数

复杂的指数函数直接看SSE

ps. 对于’线性函数’的判定

此处是对参数的线性 （线性于参数）
即参数仅以一次方的形式出现，且不能出现参数的复合函数形式

eg. y = a+bx² 是线性函数

4. 计算拟合优度

matalb

mean( ) 求均值函数

% 以最简单拟合函数 y=k*x+b 为例
% 已经求得拟合的k，b

y_h = k*x+b; 
% y_h为y的的拟合值
SSR = sum((y_h-mean(y)).^2)   
SSE = sum((y_h-y).^2)         
SST = sum((y-mean(y)).^2) 
SST-SSE-SSR   % 5.6843e-14  =   5.6843*10^-14  matlab浮点数计算的一个误差
R_2 = SSR / SST

5. matlab 曲线拟合工具箱

可以输入 cftool 直接打开
or
图形界面： APP -> Cure Fitting

使用方法：

MATLAB曲线拟合工具箱（cftool）介绍（完结）

Matlab拟合工具箱的使用

核心：result 分析

ps. from 清风数学建模

matlab生成随机数（拓）

rand( ) : 产生均匀分布的随机数

randi( ): 产生均匀分布的随机整数（int）

roundn( ): 选择任意位 进行四舍五入操作

normrnd( ): 产生正态分布的随机数

用法：
注意在matlab中返回的是 矩阵

s1 = rand(1,5) % 0~1 矩阵1*5
s2 = a+(b-a)rand(1,5) % a~b 矩阵1*5
s3 = randi(10,1,5) % int(1~10) 矩阵1*5
s4 = randi([-10,10],1,5) % int(-10~10) 矩阵1*5

a = 3.141592
roundn(a,-2)  % ans = 3.140000

参考资料

清风数学建模

如何理解最小二乘法？

MATLAB曲线拟合工具箱（cftool）介绍（完结）

Matlab拟合工具箱的使用