第3讲MATLAB数据建模方法（上）常用方法.PDFVIP

第 3 讲 MATLAB 数据建模方法(上) ：常用方法 作者：卓金武, MathWorks 中国 以数据为基础而建立数学模型的方法称为数据建模方法，包括回归、统计、机器学习、 深度学习、灰色预测、主成分分析、神经网络、时间序列分析等方法， 其中最常用的方法 还是回归方法。 本讲主要介绍在数学建模中常用几种回归方法的MATLAB 实现过程。 根据回归方法中因变量的个数和回归函数的类型 （线性或非线性）可将回归方法分为: 一元线性、一元非线性、多元回归。另外还有两种特殊的回归方式，一种在回归过程中可以 调整变量数的回归方法，称为逐步回归，另一种是以指数结构函数作为回归模型的回归方法， 称为Logistic 回归。本讲将逐一介绍这几个回归方法。 3.1 一元回归 3.1.1 一元线性回归 【例3-1】近10 年来，某市社会商品零售总额与职工工资总额（单位：亿元）的数据 见表3-1，请建立社会商品零售总额与职工工资总额数据的回归模型。 表3-1 商品零售总额与职工工资总额 职工工资总额 23.8 27.6 31.6 32.4 33.7 34.9 43.2 52.8 63.8 73.4 商品零售总额 41.4 51.8 61.7 67.9 68.7 77.5 95.9 137.4 155.0 175.0 该问题是典型的一元回归问题，但先要确定是线性还是非线性，然后就可以利用对应的 回归方法建立他们之间的回归模型了，具体实现的MATLAB 代码如下： （1）输入数据 clc, clear all, close all x=[23.80,27.60,31.60,32.40,33.70,34.90,43.20,52.80,63.80,7 3.40]; y=[41.4,51.8,61.70,67.90,68.70,77.50,95.90,137.40,155.0,17 5.0]; （2）采用最小二乘回归 Figure plot(x,y,r*) %作散点图 xlabel(x （职工工资总额）,fontsize, 12) %横坐标名 ylabel(y （商品零售总额）, fontsize,12) %纵坐标名 set(gca,linewidth,2); % 采用最小二乘拟合 Lxx=sum((x-mean(x)).^2); Lxy=sum((x-mean(x)).*(y-mean(y))); b1=Lxy/Lxx; b0=mean(y)-b1*mean(x); y1=b1*x+b0; hold on plot(x, y1,linewidth,2); 运行本节程序，会得到如图3-1 所示的回归图形。在用最小二乘回归之前，先绘制了数 据的散点图，这样就可以从图形上判断这些数据是否近似成线性关系。当发现它们的确近似 在一条线上后，再用线性回归的方法进行回归，这样也更符合我们分析数据的一般思路。 图3-1 职工工资总额和商品零售总额关系趋势图 （3）采用LinearModel.fit 函数进行线性回归 m2 = LinearModel.fit(x,y) 运行结果如下： m2 = Linear regression model: y ~ 1 + x1 Estimated Coefficients: Estimate SE tStat pValue (Intercept) -23.549 5.1028 -4.615 0.0017215 x1 2.7991 0.11456 24.435 8.4014e-09 R-squared: 0.987, Adjusted R-Squared 0.985 F-statistic vs. constant model: 597, p-value = 8.4e-09 （4）采用reg