适合

根据数据拟合曲线或曲面

全页折叠

语法

fitobject =适合(x, y, fitType)

fitobject =适合(x, y, z, fitType)

fitobject =适合(x, y, fitType fitOptions)

fitobject =适合(x, y, fitType、名称、值)

[fitobject, gof] =适合(x, y, fitType)

[gof fitobject,输出]=适合(x, y, fitType)

描述

例子

fitobject=健康(x,y,fitType)创建对数据的匹配x和y指定的模型fitType。

例子

fitobject=适合([x,y),z,fitType)创建一个适合向量中的数据的曲面x,y,z。

例子

fitobject=健康(x,y,fitType,fitOptions)方法指定的算法选项创建对数据的拟合fitOptions对象。

例子

fitobject=健康(x,y,fitType,名称,值)使用库模型创建对数据的拟合fitType由一个或多个指定的附加选项名称,值对参数。使用fitoptions显示特定库模型的可用属性名和默认值。

例子

(fitobject,gof)=健康(x,y,fitType)返回结构中的匹配度统计信息gof。

例子

(fitobject,gof,输出)=健康(x,y,fitType)返回结构中的拟合算法信息输出。

例子

全部折叠

拟合二次曲线

打开生活的脚本

加载一些数据，对变量拟合二次曲线cdate和流行，并绘制拟合和数据。

负载人口普查;f =适合(cdate、流行,“poly2”)

f =线性模型Poly2: f(x) = p1*x^2 + p2*x + p3系数(95%置信限):p1 = 0.006541 (0.006124, 0.006958) p2 = -23.51 (-25.09， -21.93) p3 = 2.113e+04 (1.964e+04, 2.262e+04)

情节(f cdate流行)

有关库模型名称列表，请参见fitType。

拟合多项式曲面

打开生活的脚本

加载一些数据并拟合一个2次多项式曲面x和3度y。绘制拟合和数据。

负载因特网sf = fit([x, y]，z，“poly23”)

线性模型Poly23:科幻小说(x, y) = p00 + p10 * x + p01 * y + p20 * x ^ 2 +侯* * y + p02 * y ^ 2 + p21 * x ^ 2 * y + p12 * x * y ^ 2 + 3 * y ^ 3系数(95%置信界限):p00 = 1.118 (0.9149, 1.321) p10 = -0.0002941 (-0.000502, -8.623 e-05) p01 = 1.533 (0.7032, 2.364) p20 = -1.966 e-08 (-7.084 e-08, 3.152 e-08)侯= 0.0003427 (-0.0001009,0.0007863)p02 p21 = -6.951 (-8.421, -5.481) = 9.563 e-08 (6.276 e-09, 1.85 e-07 p12) = -0.0004401 (-0.0007082, -0.0001721) 3 = 4.999 (4.082, 5.917)

情节(科幻,x, y, z)

使用MATLAB表中的变量拟合曲面

打开生活的脚本

加载因特网数据并将其转换为MATLAB®表。

负载因特网T =表(x, y, z);

方法的输入指定表中的变量适合函数，并绘制拟合。

f = ((T。x, T。y),T.z,“linearinterp”);情节(f, [T。x, T。y),T.z )

创建适合的选项和适合类型之前，拟合

打开生活的脚本

方法加载和绘制数据，创建适合的选项和适合的类型fittype和fitoptions函数，然后创建并绘制适合度。

加载并绘制数据census.mat。

负载人口普查情节(cdate、流行,“o”)

为自定义非线性模型创建一个fit选项对象和一个fit类型 $y = 一个 (x - b)^{n}$ ,在那里一个和b系数和n是一个问题相关的参数。

fo = fitoptions (“方法”,“NonlinearLeastSquares”,…“低”(0,0),…“上”(正无穷,max (cdate)),…曾经繁荣的[1]);英国《金融时报》= fittype (“*(取向)^ n”,“问题”,“n”,“选项”fo);

使用Fit选项和值来拟合数据n= 2。

[curve2, gof2] =适合(cdate、流行、英国《金融时报》,“问题”,2)

曲线2 =一般模型:曲线2(x) = a*(x-b)^n系数(95%置信限):a = 0.006092 (0.005743, 0.006441) b = 1789(1784, 1793)问题参数:n = 2

gof2 =结构体字段:上证综指:246.1543 rsquare: 0.9980 dfe: 19 adjrsquare: 0.9979 rmse: 3.5994

使用Fit选项和值来拟合数据n= 3。

[curve3, gof3] =适合(cdate、流行、英国《金融时报》,“问题”3)

曲线3 =一般模型:曲线3(x) = a*(x-b)^n系数(95%置信限):a = 1.359e-05 (1.245e-05, 1.474e-05) b = 1725(1718, 1731)问题参数:n = 3

gof3 =结构体字段:股票代码:232.0058平方码:0.9981 dfe: 19 adjrsquare: 0.9980 rmse: 3.4944

用数据绘制拟合结果。

持有在情节(curve2“米”)情节(curve3“c”)传说(“数据”,“n = 2”,“n = 3”)举行从

拟合一个三次多项式，指定规范化和鲁棒选项

打开生活的脚本

加载一些数据，拟合并绘制一个有中心和尺度的三次多项式(正常化)和稳健的拟合选项。

负载人口普查;f =适合(cdate、流行,“poly3”,“正常化”,“上”,“稳健”,“Bisquare”)

f =线性模型Poly3: f(x) = p1*x^3 + p2*x^2 + p3*x + p4，其中x按均值1890归一化，std系数62.05(95%置信限):p1 = -0.4619 (-1.895, 0.9707)， p2 = 25.01 (23.79, 26.22)， p3 = 77.03 (74.37, 79.7)， p4 = 62.81 (61.26, 64.37)

情节(f cdate流行)

拟合由文件定义的曲线

在文件中定义一个函数，并使用它创建适合类型和适合曲线。

在MATLAB中定义一个函数^®文件。

函数y = piecewiseLine (x, a, b, c, d, k)由两部分组成的线那不是连续的。y = 0(大小(x));这个例子包括一个for循环和if语句纯粹用于举例目的。为i = 1:长度(x)如果x(i) < k, y(i) = a + b。* *(我);其他的y(i) = c + d。* *(我);结束结束结束

保存文件。

定义一些数据，创建一个指定函数的fit类型piecewiseLine，使用fit类型创建fit英国《金融时报》，并绘制结果。

x = [0.81; 0.91; 0.13; 0.91; 0.63; 0.098; 0.28; 0.55;…0.96;0.96;0.16;0.97;0.96);y = [0.17; 0.12; 0.16; 0.0035; 0.37; 0.082; 0.34; 0.56;…0.15;-0.046;0.17;-0.091;-0.071);英国《金融时报》= fittype ('piecewiseLine(x, a, b, c, d, k)'f = fit(x, y, ft，曾经繁荣的， [1, 0, 1, 0, 0.5]) plot(f, x, y)

排除拟合点

打开生活的脚本

加载一些数据并拟合一个指定要排除的点的自定义方程。策划的结果。

加载数据并定义自定义方程和一些起始点。

[x, y] =钛;gaussEqn =(a * exp() -(取向/ c) ^ 2) + d '

gaussEqn = ' * exp(((取向)/ c) ^ 2) + d '

起始点= [1.5 900 10 0.6]

曾经繁荣=1×41.5000 900.0000 10.0000 0.6000

使用自定义方程和起始点创建两个fit，并使用索引向量和表达式定义两组不同的排除点。使用排除将异常值从您的fit中移除。

f1 =适合(x, y, gaussEqn,“开始”曾经繁荣,“排除”， [1 10 25])

f1 =一般模型:f1 = a*exp(-(((x-b)/c)^2)+d系数(95%置信限):a = 1.493 (1.432, 1.554) b = 897.4 (896.5, 898.3) c = 27.9 (26.55, 29.25) d = 0.6519 (0.6367, 0.6672)

f2 =适合(x, y, gaussEqn,“开始”曾经繁荣,“排除”， x < 800)

f2 =一般模型:f2(x) = a*exp(-((((x-b)/c)^2)+d系数(95%置信限):a = 1.494 (1.41, 1.578) b = 897.4 (896.2, 898.7) c = 28.15 (26.22, 30.09) d = 0.6466 (0.6169, 0.6764)

情节都适合。

情节(f1, x, y)标题(“与排除的数据点1、10和25匹配”)

图绘制(f2, x, y)标题(“不包括x < 800的数据点的拟合”)

排除点和显示排除数据的图拟合

打开生活的脚本

在将排除点作为输入提供给fit函数之前，可以将它们定义为变量。以下步骤将重新创建前一个示例中的适合度，并允许您绘制排除点以及数据和适合度。

加载数据并定义自定义方程和一些起始点。

[x, y] =钛;gaussEqn =(a * exp() -(取向/ c) ^ 2) + d '

gaussEqn = ' * exp(((取向)/ c) ^ 2) + d '

起始点= [1.5 900 10 0.6]

曾经繁荣=1×41.5000 900.0000 10.0000 0.6000

使用索引向量和表达式定义要排除的两组点。

exclude1 = [1 10 25];x < 800;

使用自定义等式startpoints和两个不同的排除点创建两个fit。

f1 =适合(x, y, gaussEqn,“开始”曾经繁荣,“排除”,exclude1);f2 =适合(x, y, gaussEqn,“开始”曾经繁荣,“排除”,exclude2);

绘制适合并突出显示被排除的数据。

情节(f1, x, y, exclude1)标题(“与排除的数据点1、10和25匹配”)

图;情节(f2, x, y, exclude2)标题(“不包括x < 800的数据点的拟合”)

对于带有排除点的曲面拟合示例，加载一些曲面数据并创建和绘制指定排除数据的拟合。

负载因特网f1 = fit([x y]，z，“poly23”,“排除”， [1 10 25]);f2 = fit([x y]，z，“poly23”,“排除”， z > 1);图plot(f1， [x y]， z，“排除”， [1 10 25]);标题(“与排除的数据点1、10和25匹配”)

图(f2， [x y]， z，“排除”， z > 1);标题('拟合数据点排除这样的z > 1')

拟合平滑样条曲线并返回拟合信息的优度

打开生活的脚本

加载一些数据，通过变量拟合平滑样条曲线月和压力，并返回拟合信息的优度和输出结构。根据数据绘制适合度和残差。

负载enso;[曲线，良品，产量]=拟合(月，压力，“smoothingspline”);情节(压力曲线、月);包含(“月”);ylabel (“压力”);

绘制x-data的残差(月)。

曲线，月份，压力，“残差”)包含(“月”)ylabel (“残差”)

中的数据输出结构绘制残差与y数据的关系(压力)。

情节(压力、output.residuals、“。”)包含(“压力”)ylabel (“残差”)

拟合一个单项指数

打开生活的脚本

生成具有指数趋势的数据，然后使用指数模型曲线拟合库中的第一个方程(单项指数)拟合数据。策划的结果。

x = (0:0.2:5)”;y = 2*exp(-0.2*x) + 0.5*randn(size(x));f =适合(x, y,“exp1”);情节(f, x, y)

使用匿名函数适合自定义模型

可以使用匿名函数更容易地将其他数据传递到适合函数。

加载数据和设置Emax来1在定义匿名函数之前:

数据= importdata (“OpioidHypnoticSynergy.txt”);异丙酚= data.data (: 1);Remifentanil = data.data (:, 2);痛觉计= data.data (: 3);Emax = 1;

将模型方程定义为匿名函数:

Effect = @(IC50A, IC50B, alpha, n, x, y)…Emax*(x/IC50A + y/IC50B + alpha*(x/IC50A)….* (y/IC50B))。^n ./((x/IC50A + y/IC50B +)…*(x/IC50A). *(y/IC50B))^ n + 1);

使用匿名函数效果作为输入适合函数，并绘制结果:

[丙泊酚，瑞芬太尼]，海藻测定法，效果，…曾经繁荣的， [2, 10, 1, 0.8]，…“低”， [-Inf， -Inf， -5， -Inf]，…“稳健”,“守护神”)图(藻效测定法，[丙泊酚，瑞芬太尼]，藻效测定法)

有关使用匿名函数和其他自定义模型进行拟合的更多示例，请参见fittype函数。

求系数顺序来设置起始点和边界

打开生活的脚本

的属性上,较低的,曾经繁荣，你需要找到系数项的顺序。

创建一个合适的类型。

英国《金融时报》= fittype (" b * x ^ 2 + c * x +一个“);

得到系数的名称和顺序coeffnames函数。

coeffnames(英尺)

ans =3 x1细胞{a} {b} {' c '}

注意，这与用于创建的表达式中系数的顺序不同英国《金融时报》与fittype。

加载数据，创建一个适合并设置起点。

负载ensofit(月,压力,英国《金融时报》,曾经繁荣的,1、3、5)

ans =一般模型:ans(x) = b*x^2+c*x+a系数(95%置信区间):a = 10.94 (9.362, 12.52) b = 0.0001677 (-7.985e-05, 0.0004153) c = -0.0224 (-0.06559, 0.02079)

这赋予系数的初值如下:一个= 1,b = 3,c = 5。

或者，您可以获取fit选项并设置起点和下界，然后使用新选项进行重新设置。

选择= fitoptions(英尺)

option = Normalize: 'off' Exclude:[]权值:[]方法:'非线性最小二乘'鲁棒:'off'起始点:[1x0 double]下半部分:[1x0 double]上半部分:[1x0 double]算法:'Trust-Region' DiffMinChange: 1.0000e-08 DiffMaxChange: 0.1000 Display: 'Notify' MaxFunEvals: 600 MaxIter: 400 TolFun: 1.0000e-06 TolX: 1.0000e-06

选项。StartPoint = [10 1 3];选项。较低的=(0 -Inf 0]; fit(month,pressure,ft,options)

ans = General model: ans(x) = b*x^2+c*x+a系数(95%置信区间):a = 10.23 (9.448, 11.01) b = 4.335e-05 (-1.82e-05, 0.0001049) c = 5.523e-12(定界)

输入参数

全部折叠

`x`- - - - - -数据以适应
矩阵

要拟合的数据，指定为具有一个(曲线拟合)或两个(曲面拟合)列的矩阵。您可以使用以下命令在MATLAB表中指定变量tablename.varname。不能包含正或南。在拟合中只使用了复杂数据的实部。

例子:x

例子:(x, y)

数据类型:双

`y`- - - - - -数据以适应
向量

要拟合的数据，指定为具有相同行数的列向量x。可以使用以下命令在MATLAB表中指定变量tablename.varname。不能包含正或南。在拟合中只使用了复杂数据的实部。

使用prepareCurveData或prepareSurfaceData如果数据不是列向量形式。

数据类型:双

`z`- - - - - -数据以适应
向量

使用prepareSurfaceData如果数据不是列向量形式。例如，如果你有3个矩阵，或者你的数据是网格向量形式，其中长度(X) = n，长度(Y) = m和大小(Z) = (m, n)。

数据类型:双

`fitType`- - - - - -适合的模型类型
特征向量|字符向量的单元数组|匿名函数|`fittype`

模型类型要适合，指定为一个库模型名称字符向量、一个MATLAB表达式、一个单元数组的线性模型项、一个匿名函数或一个fittype构造与fittype函数。您可以使用任何有效的第一个输入到fittype作为输入适合。

有关库模型名称列表，请参见模型名称及方程式。这个表格展示了一些常见的例子。

库模型名称	描述
`“poly1”`	线性多项式曲线
`“poly11”`	线性多项式表面
`“poly2”`	二次多项式曲线
`“linearinterp”`	分段线性插值
`“cubicinterp”`	分段立方插值
`“smoothingspline”`	平滑样条(曲线)
`“洛斯”`	局部线性回归(曲面)

要拟合自定义模型，请使用MATLAB表达式、线性模型项的单元数组、匿名函数或创建fittype与fittype函数和使用这个作为fitType论点。例如，参见使用匿名函数适合自定义模型。有关线性模型项的示例，请参见fitType函数。

例子:“poly2”

`fitOptions`- - - - - -算法的选择
`fitoptions`

方法构造的算法选项fitoptions函数。这是为fit选项指定名称-值对参数的替代方法。

名称-值对的观点

指定可选的逗号分隔的对名称,值参数。的名字参数名和价值是对应的值。的名字必须出现在引号内。可以按任意顺序指定多个名称和值对参数Name1, Value1,…,的家。

例子:“低”,(0,0),“上层”,正无穷,max (x),“曾经繁荣”,[1]指定拟合方法、边界和起始点。

所有拟合方法的选项

全部折叠

`“正常化”`- - - - - -选择中心和规模的数据
`“关闭”`(默认)|`“上”`

选择居中和缩放数据，指定为逗号分隔的对组成“正常化”和“上”或“关闭”。

数据类型:字符

`“排除”`- - - - - -从拟合中排除的点
表达式|索引向量|逻辑向量|空

点从拟合中排除，指定由逗号分隔的对组成“排除”其中一个:

描述逻辑向量的表达式，例如:x > 10。
为要排除的点建立索引的整数向量，例如，(1 10 25)。
所有数据点的逻辑向量真正的表示由。创建的异常值excludedata。

例如，参见排除拟合点。

数据类型:逻辑|双

`“重量”`- - - - - -权重为合适
[ ](默认)|向量

适合度的权重，由逗号分隔的对组成“重量”和一个与响应数据大小相同的向量y(曲线)或z(表面)。

数据类型:双

`“问题”`- - - - - -要分配给与问题相关的常数的值
单元阵列|双

值分配给与问题相关的常数，指定为逗号分隔的对“问题”一个单元数组，每个问题都有一个相关的常数。有关详细信息,请参见fittype。

数据类型:细胞|双

平滑的选项

全部折叠

`“SmoothingParam”`- - - - - -平滑参数
(0,1)范围内的标量值

平滑参数，指定为由逗号分隔的对组成“SmoothingParam”在0和1之间的标量值。默认值取决于数据集。只有fit类型可用smoothingspline。

数据类型:双

`“跨越”`- - - - - -在局部回归中使用的数据点的比例
0.25(默认)|(0,1)范围内的标量值

在局部回归中使用的数据点的比例，指定为由逗号分隔的对组成“跨越”在0和1之间的标量值。只有适合的类型才可用洛斯或黄土。

数据类型:双

线性和非线性最小二乘选项

全部折叠

`“稳健”`- - - - - -鲁棒线性最小二乘拟合方法
`“关闭”`(默认)|`守护神`|`Bisquare`

稳健的线性最小二乘拟合方法，指定由逗号分隔对组成“稳健”其中一个值是:

“守护神”指定最小绝对剩余方法。
“Bisquare”指定bisquare权值方法。

可用时适合的类型方法是LinearLeastSquares或NonlinearLeastSquares。

数据类型:字符

`“低”`- - - - - -拟合系数的下界
[ ](默认)|向量

拟合系数的下界，由逗号分隔的对组成“低”和一个向量。默认值是一个空向量，表示fit不受下界的约束。如果指定了界限，向量长度必须等于系数的数目。的方法，找出向量值中系数的项的顺序coeffnames函数。例如，参见求系数顺序来设置起始点和边界。个体的无约束下界可以由负。

当可用方法是LinearLeastSquares或NonlinearLeastSquares。

数据类型:双

`“上”`- - - - - -拟合系数的上界
[ ](默认)|向量

拟合系数的上界，由逗号分隔的对组成“上”和一个向量。默认值是一个空向量，表示fit不受上限的约束。如果指定了界限，向量长度必须等于系数的数目。的方法，找出向量值中系数的项的顺序coeffnames函数。例如，参见求系数顺序来设置起始点和边界。可由。指定单个无约束上界+正。

当可用方法是LinearLeastSquares或NonlinearLeastSquares。

数据类型:逻辑

非线性最小二乘方法

全部折叠

`曾经繁荣的`- - - - - -系数的初始值
[ ](默认)|向量

系数的初始值，由逗号分隔的对指定曾经繁荣的和一个向量。的方法，找出向量值中系数的项的顺序coeffnames函数。例如，参见求系数顺序来设置起始点和边界。

如果没有将起始点(空向量的默认值)传递给适合函数，一些库模型的起点是启发式确定的。对于rational和Weibull模型，以及所有自定义非线性模型，工具箱从区间(0,1)中均匀随机地选择系数的默认初始值。因此，使用相同的数据和模型进行多次拟合可能导致不同的拟合系数。为了避免这种情况，用a指定系数的初值fitoptions对象或向量的值曾经繁荣价值。