海口网站建设哪家最好,wordpress关注公众号登录,易语言建设网站,网页制作素材图片百度云关于回归和拟合#xff0c;从它们的求解过程以及结果来看#xff0c;两者似乎没有太大差别#xff0c;事实也的确如此。从本质上说#xff0c;回归属于数理统计问题#xff0c;研究解释变量与响应变量之间的关系以及相关性等问题。而拟合是把平面的一系列点#xff0c;用…关于回归和拟合从它们的求解过程以及结果来看两者似乎没有太大差别事实也的确如此。从本质上说回归属于数理统计问题研究解释变量与响应变量之间的关系以及相关性等问题。而拟合是把平面的一系列点用一条光滑曲线连接起来并且让更多的点在曲线上或曲线附近。更确切的说拟合是回归用到的一种数学方法而拟合与回归的应用场合不同。
拟合常用的方法有最小二乘法、梯度下降法、高斯牛顿即迭代最小二乘、列-马算法。其中最最常用的就是最小二乘法。并且拟合可以分为线性拟合与非线性拟合非线性拟合比较常用的是多项式拟合。根据自变量的个数拟合也可以分为曲线拟合与曲面拟合等。
回归大多数采用最小二乘法。回归可以分为一元线性回归、一元非线性回归、多元线性回归、多元非线性回归等。 1、最小二乘法 无论是在高等数学、线性代数还是数理统计我们都可以看到最小二乘法的身影。只不过每一部分侧重点不同最终是殊途同归的。但是建议用矩阵的方法来做这样很便于理解计算起来也很方便。
最小二乘法的基本思路是确定函数f(x),使得各个点x1,x2..xn处的函数值偏差f(x1)-y1、f(x2)-y2...f(xn)-yn的平方和或绝对值和最小。如果是一元线性拟合回归我们可以设方程为f(x)kxb。
这时我们求得函数值偏差平方和为。为了求它的最小值利用高数的方法就可以使M分别对k和b的偏导为0最终求解得方程组:
公式1
公式2
由式2括号内为0则有b的表达式
公式3
将式(3)代入到式(2)中得到式(4)
公式4
整理式(4)我们可以得到k的表达式
公式5
如果用线性代数的角度来看其实矩阵表达更加简洁我们最终需要寻找最佳的k和b
公式6
写成矩阵的形式
公式7
令
我们可以写成矩阵形式
公式8
我们要解K这时候X如果是方阵那么自然的就可以左右两边同时乘X的逆但是如果X不是方阵行数大于列数我们可以左右同乘以X的转置转换为方阵再取逆(当然能取逆的前提是行列式不能为0)具体如下求得的逆叫做伪逆
公式9
所以解得K的值
公式10 2、matlab实现 现在有这么一组数据
xy0.11.78050.32.22850.42.39410.753.22260.93.5697
我们利用matlab进行绘制散点图查看一下
x[0.1;0.3;0.4;0.75;0.9];
y[1.7805;2.2285;2.3941;3.2226;3.5697];
plot(x,y,o)
xlim([0,1]);
ylim([1.6,3.7]);
hold on;可以看出满足很好的线性关系下面我们用上述最小二乘法的思想求一下拟合直线的k 和b
方法1代数方法计算
Nlength(x);
k(sum(y.*x)-N*mean(y)*mean(x))/(sum(x.^2)-N*mean(x)^2);
bmean(y)-k*mean(x);
x_linelinspace(0,1,101);
y_linek*x_lineb;
plot(x_line,y_line,Color,r,LineWidth,1)查看k和b的值 k2.2411 b1.5409 方法2矩阵计算
Nlength(x);
X[x,ones(N,1)];
Yy;
Kinv(X*X)*X*Y;
kK(1);
bK(2);
x_linelinspace(0,1,101);
y_linek*x_lineb;
plot(x_line,y_line,Color,r,LineWidth,1)查看k和b的值 k2.2411 b1.5409 至此我们可以看到两种方法的结果是一样的。
