第三篇 模型拟合.pptVIP

重写这些方程得出 （3-4） 将x和y的值代入，可解出a，b，得 （3-5） （3-6） 对任一数据点集，容易写出计算机计算a和b值得程序。方程（3-4）称为正规方程。 拟合幂曲线 现在对一个给定的数据点集用最小二乘准则拟合 形式的曲线，n为固定数。研究模型 的最小二乘估计，应用该准则要求极小化 最优化的必要条件是导数ds/da等于零，给出方程 从方程解出a，得 （3-7） 其中，n是固定的。 经变换的最小二乘拟合 在理论上，最小二乘准则很易应用，但在一些非线性方程组中是不容易求出a，b值的，基于这个原因，我们要使用变换，得出近似的最小二乘模型。 在3.1节对数据拟合直线，经常发现先变换数据再对变换后的数据拟合直线很方便。 假设我们想对一数据点集拟合幂曲线 ，用 记A的估计，n记N的估计，方程 两边取对数得 （3-8） 由方程（3-5）和（3-6）解出斜率n和截距 ，有 表3-3 拟合 数据集 将表3-3中的数据代入上式方程中，产生n=2.062809314，lna=1.126613508或a=3.085190815，所以方程（3-8）的最小二乘最佳拟合为 当x=2.25时，这一模型预测y=16.4348. 注意：这一模型不是我们前面所拟合的平方形式。 X 0.5 1.0 1.5 2.0 2.5 y 0.7 3.4 7.2 12.4 20.1 前面的例子说明两个事实。 第一，如果一个方程进行变换，在变换后的变量间构成一直线方程，方程（3-4）能直接用来解出变换后的图中的斜率和截距。 第二，变换后的方程的最小二乘拟合与原方程的最小二乘拟合不是同一个，这个差异的起因是由于所产生的最优化问题是不同的。 在原始问题中，寻找曲线时，是极小化原始数据的偏差的平方和，而在变换后的问题中，极小化使用变换后的变量得偏差的平方和。 选择一个好模型 现在来考虑形如 的各种模型的适当性。 使用最小二乘准则，得到模型 。 评估模型是否很好得拟合了数据的一个途径是：计算模型点和实际点间的偏差。计算出的偏差列在表3-4中。 表3-4 表3-3中的数据和拟合的模型间的偏差 0.5 1.0 1.5 2.0 2.5 0.7 3.4 7.2 12.4 20.1 -0.0967 0.2131 0.02998 -0.3476 0.181875 从表3-4可算出偏差的平方和为0.20954，所以D=0.204714.由于x=2.0时，最大绝对偏差为0.3476， 能界定如下： 现在来求 ，因为存在5个数据点数学问题是最小化5个数 的最大者，将其称为r，限制条件是 将我们的模型记为 将表3-3的观测到的数据代入限制条件中，产生下列线性规划： 最小化r 满足约束条件： 这一线性规划的解产生r=0.28293和 那么，我们将最大的偏差从 降到了 。注意，我们无法进一步降低模型类型的最大偏差0.28293. 现在确定了模型类型的参数A的三个估计，哪个最好呢？表3-5中是根据每一个模型从每一个数据点计算出的偏差记录。 对三个模型的每一个可计算偏差平方和与最大绝对偏差，结果列在表3-6中。 表3-5 每一模型偏差的总结 0.5 0.7 -0.967 -0.0842 -0.0927 1.0 3.4 0.2131 0.2632 0.2293 1.5 7.2 0.029475 0.1422 0.0659 2.0 12.4 -0.3476 -0.1472 -0.2829 2.5 20.1 0.181875 0.4950 0.28293 表3-6 三个模型的结果的总结 由以上可知，每一个模型都有优势方面。 准则 模型 最小二乘 0.2095 0.3476 变换后最小二乘 0.3633 0.4950 切比雪夫