matlab_多元与非线性回归即拟合问题regress、nlinfit.docVIP

回归（拟合）自己的总结 1：学三条命令：polyfit(x,y,n)---拟合成一元幂函数（一元多次） regress(y,x)----可以多元， nlinfit(x,y,’fun’,beta0) (可用于任何类型的函数，任意多元函数，应用范围最主，最万能的) 2：同一个问题，可能这三条命令都可以使用，但结果肯定是不同的，因为拟合的近似结果，没有唯一的标准的答案。相当于咨询多个专家。 3：回归的操作步骤： 根据图形（实际点），选配一条恰当的函数形式（类型）---需要数学理论与基础和经验。（并写出该函数表达式的一般形式，含待定系数） 选用某条回归命令求出所有的待定系数 所以可以说，回归就是求待定系数的过程（需确定函数的形式） 配曲线的一般方法是： （一）先对两个变量x和y 作n次试验观察得画出散点图， 散点图 （二）根据散点图确定须配曲线的类型. 通常选择的六类曲线如下： （1）双曲线 （2）幂函数曲线y=a, 其中x0,a0 （3）指数曲线y=a其中参数a0. （4）倒指数曲线y=a其中a0， （5）对数曲线y=a+blogx,x0 （6）S型曲线 （三）然后由n对试验数据确定每一类曲线的未知参数a和b. 一、一元多次拟合polyfit(x,y,n) 一元回归polyfit 多元回归regress---nlinfit(非线性) 二、多元回归分析 (其实可以是非线性，它通用性极高) 对于多元线性回归模型： 设变量的n组观测值为 ． 记 ，，则 的估计值为 排列方式与线性代数中的线性方程组相同（） 拟合成多元函数---regress 使用格式： 左边用b=或[b, bint, r, rint, stats]= 右边用regress(y, x) 或 regress(y, x, alpha) ---命令中是先y后x, ---须构造好矩阵x(x中的每列与目标函数的一项对应) ---并且x要在最前面额外添加全1列/对应于常数项 ---y必须是列向量 ---结果是从常数项开始---与polyfit的不同。） 其中： b为回归系数的估计值(第一个为常数项)． bint为回归系数的区间估计 r: 残差 rint: 残差的置信区间 stats: 用于检验回归模型的统计量，有四个数值：相关系数r2、F值、与F对应的概率p和残差的方差（前两个越大越好，后两个越小越好） alpha: 显著性水平（缺省时为0.05，即置信水平为95%） （alpha不影响b,只影响bint(区间估计)。它越小，即置信度越高，则bint范围越大。显著水平越高，则区间就越小） （返回五个结果）---如有n个自变量-有误（n个待定系数），则b 中就有n+1个系数（含常数项，---第一项为常数项） (b---b的范围/置信区间---残差r---r的置信区间rint----- 点估计----区间估计 此段上课时不要：---- 如果的置信区间（bint的第行）不包含0，则在显著水平为时拒绝的假设，认为变量是显著的．*******(而rint残差的区间应包含0则更好) b,y等均为列向量,x为矩阵(表示了一组实际的数据) 必须在x第一列添加一个全1列。----对应于常数项-------而nlinfit不能额外添加全1列。 结果的系数就是与此矩阵相对应的（常数项，x1,x2,……xn）。 （结果与参数个数：1/5=2/3-----y,x顺序---x要额外添加全1列） 而nlinfit:1/3=4------x,y顺序---x不能额外添加全1列，---需编程序，用于模仿需拟合的函数的任意形式，一定两个参数，一为系数数组，二为自变量矩阵（每列为一个自变量） 有n个变量---不准确，x中就有n列,再添加一个全1列（相当于常数项），就变为n+1列，则结果中就有n+1个系数。 x需要经过加工，如添加全1列，可能还要添加其他需要的变换数据。 相关系数r2越接近1，说明回归方程越显著；(r2越大越接近1越好) F越大，说明回归方程越显著；（F越大越好） 与F对应的概率p越小越好，一定要Pa时拒绝H0而接受H1，即回归模型成立。 乘余（残差）标准差（RMSE）越小越好(此处是残差的方差，还没有开方) （前两个越大越好，后两个越小越好） 自己总结：regress 多元（可通过变形而适用于任意函数）， 15/23 顺序（y,x---结果是先常数项，与polyfit相反） y为列向量；x为矩阵，第一列为全1列（即对应于常数项），其余每一列对应于一个变量（或一个含变量的项），即x要配成目标函数的形式（常数项在最前） x中有多少列则结果的函数中就有多少项 首先要确定要拟合的函数形式，然后确定待定的系数 从常数项