拟合matlab

与插值问题不同，拟合问题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。也就是说，插值是经过给定的散点，拟合是总体距离最优，不一定经过所有的点。所以，样本量多的话，是采用拟合的。

---

最小二乘法

最小二乘法解释

最小二乘法求解

• 这里的拟合函数是线性函数，我们可以看到推理过程，其中的推理结果用到拟合优度R^2的计算上。
  

最小二乘法求解

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')

评价拟合的好坏

拟合优度R^2(前提：参数线性)

• 由于神经网络是线性的，所以可用。
  

R^2应用条件（线性函数）

• 线性函数举例
  

拟合优度计算

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