适合

拟合曲线或曲面到数据

折叠所有页面

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）创建适合的数据x和y指定的模型fitType．

例子

fitobject=适合([x，y]，z，fitType）创建一个适合矢量数据的曲面x，y,z．

例子

fitobject=健康(x，y，fitType，fitOptions）属性指定的算法选项创建适合的数据fitOptions对象。

例子

fitobject=健康(x，y，fitType，名称,值）使用库模型创建适合的数据fitType附加选项由一个或多个指定名称,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）返回结构中的拟合优度统计信息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，用二次曲线拟合变量cdate和流行，并绘制拟合图和数据。

负载人口普查；f =适合(cdate、流行,“poly2”）

系数(有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, 2.262 2e+04)

情节(f cdate流行)

图中包含一个坐标轴。轴线包含2个线型对象。这些对象代表数据、拟合曲线。

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次的多项式曲面x并获得学士学位y．绘制匹配图和数据。

负载因特网科幻小说=适合(x, y, z,“poly23”）

线性模型Poly23: sf(x,y) = p00 + p10*x + p01*y + p20*x^2 + p11*x*y + p02*y^2 + p21*x^2*y + p12*x*y^2 + p03*y^3P00 = 1.118 (0.9149, 1.321) p10 = -0.0002941 (-0.000502， -8.623e-05) p01 = 1.533 (0.7032, 2.364) p20 = -1.966e-08 (-0.0001009， - 0.0007863) p11 = 0.0003427 (-0.0001009， - 0.0007863) p02 = -6.951 (-8.421， -5.481) p21 = 9.563e-08 (-0.0007082， -0.0001721) p12 = -0.0004401 (-0.0007082， -0.0001721) p03 = 4.999 (4.082, 5.917)

情节(科幻,x, y, z)

图中包含一个坐标轴。轴包含面、线两个对象。

在MATLAB表中使用变量拟合曲面

打开生活的脚本

加载因特网数据，并转换为MATLAB®表。

负载因特网T =表(x, y, z);

的输入指定表中的变量适合函数，并绘制匹配图。

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

图中包含一个坐标轴。轴包含面、线两个对象。

在试穿前创建适合选项和适合类型

打开生活的脚本

控件加载并绘制数据，创建适合选项和适合类型fittype和fitoptions函数，然后创建并绘制匹配图。

加载并绘制数据census.mat．

负载人口普查情节(cdate、流行,“o”）

图中包含一个坐标轴。轴包含一个线型对象。

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

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)

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:Sse: 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)

系数(有95%置信限):a = 1.359e-05 (1.245e-05, 1.474e-05) b = 1725 (1718,1731

gof3 =结构体字段:adrsquare: 0.9980 rmse: 3.4944

将拟合结果与数据绘制出来。

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

图中包含一个坐标轴。轴线包含3个线型对象。这些对象表示Data, n=2, n=3。

拟合一个指定归一化和稳健选项的三次多项式

打开生活的脚本

加载一些数据，拟合并绘制一个具有中心和比例的三次多项式(正常化)和强大的装配选项。

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

系数(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)

图中包含一个坐标轴。轴线包含2个线型对象。这些对象代表数据、拟合曲线。

适合由文件定义的曲线

在文件中定义一个函数，并使用它来创建适合类型和适合曲线。

在MATLAB中定义函数^®文件。

函数y = piecewiseLine (x, a, b, c, d, k)PIECEWISELINE由两件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%纯粹是为了举例。为i = 1:长度(x)如果X (i) < k, y(i) = a + b.* X (i);其他的Y (i) = c + d. x(i);结束结束结束

保存文件。

定义一些数据，创建一个合适的类型来指定函数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])

从Fit中排除点

打开生活的脚本

加载一些数据并匹配一个指定要排除的点的自定义方程。策划的结果。

加载数据并定义一个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 '

startPoints = [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适合，并使用索引向量和表达式定义两组不同的被排除点。使用排除来消除你身体的异常值。

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

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)

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('拟合数据点1,10和25排除'）

图中包含一个坐标轴。标题为Fit with data point 1,10, and 25(不包括数据点1,10和25)的轴包含2个类型为line的对象。这些对象代表数据、拟合曲线。

图绘制(f2, x, y)标题('拟合的数据点排除，如x < 800'）

图中包含一个坐标轴。标题为Fit的轴与数据点不匹配，x < 800包含2个类型为line的对象。这些对象代表数据、拟合曲线。

排除点和图拟合显示排除数据

打开生活的脚本

您可以将被排除的点定义为变量，然后将它们作为输入提供给fit函数。下面的步骤将重新创建前面示例中的拟合值，并允许您绘制排除的点以及数据和拟合值。

加载数据并定义一个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 '

startPoints = [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。

excepde1 = [1 10 25];Exclude2 = x < 800;

创建两个适合使用自定义方程，起点，和两个不同的排除点。

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);

绘制符合和突出排除的数据。

情节(f1, x, y, exclude1)标题('拟合数据点1,10和25排除'）

图中包含一个坐标轴。标题为Fit with data point 1,10, and 25(不包括数据点1,10和25)的轴包含3个类型为line的对象。这些对象代表数据、排除数据、拟合曲线。

图;情节(f2, x, y, exclude2)标题('拟合的数据点排除，如x < 800'）

图中包含一个坐标轴。标题为Fit的轴不包含数据点，这样x < 800包含3个类型为line的对象。这些对象代表数据、排除数据、拟合曲线。

对于带有被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被排除数据的拟合。

负载因特网= [x y]，z，“poly23”，“排除”， [1 10 25]);f = [x y]，z，“poly23”，“排除”， z > 1);图(f1， [x y]， z，“排除”， [1 10 25]);标题('拟合数据点1,10和25排除'）

图中包含一个坐标轴。标题为“Fit with data point 1,10, and 25”的轴包含3个类型为surface, line的对象。

图(f2， [x y]， z，“排除”， z > 1);标题('拟合排除的数据点z > 1'）

图中包含一个坐标轴。带有标题的轴与数据点不匹配，使z> 1包含3个类型为surface, line的对象。

拟合平滑样条曲线并返回拟合优度信息

打开生活的脚本

加载一些数据并通过变量拟合平滑样条曲线月和压力，并返回拟合优度信息和输出结构。根据数据绘制拟合和残差。

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

图中包含一个坐标轴。轴线包含2个线型对象。这些对象代表数据、拟合曲线。

根据x-数据绘制残差(月)．

Plot (curve, month, pressure，“残差”)包含(“月”) ylabel (“残差”）

图中包含一个坐标轴。轴线包含2个线型对象。这些对象表示数据，零线。

使用的数据输出结构以根据y数据绘制残差(压力)．

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

图中包含一个坐标轴。轴包含一个线型对象。

拟合单项指数

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)

图中包含一个坐标轴。轴线包含2个线型对象。这些对象代表数据、拟合曲线。

使用匿名函数适应自定义模型

可以使用匿名函数来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:

效果= @(IC50A, IC50B, alpha, n, x, y)．..*(x/IC50A + y/IC50B + α *(x/IC50A))．...* (y/IC50B))。^n ./(x/IC50A + y/IC50B +．..alpha*(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:

alometryeeffect = fit([异丙酚，瑞芬太尼]，alometryeeffect，．..曾经繁荣的， [2, 10, 1,0.8]，．..“低”， [-Inf， -Inf， -Inf]，．..“稳健”，“守护神”) plot(algometryeeffect，[异丙酚，瑞芬太尼]，Algometry)

有关使用匿名函数和其他自定义模型的更多示例，请参阅fittype函数。

找到系数顺序设置起点和界限

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。

创建适合的类型。

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

得到系数名称和顺序使用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，创建一个适合和设置起点。

负载ensofit(月,压力,英国《金融时报》,曾经繁荣的, 1、3、5)

系数(95%置信限):a = 10.94 (9.362, 12.52) b = 0.0001677 (-7.985e-05, 0.0004153) c = -0.0224 (-0.06559, 0.02079)

这给系数赋了如下的初值:一个= 1，b = 3，c = 5．

或者，您可以获得适合选项并设置起点和下界，然后使用新选项重新设置。

选择= fitoptions(英尺)

options = Normalize: 'off' Exclude: [] Weights: [] Method: 'NonlinearLeastSquares' Robust: 'off' StartPoint: [1x0 double] Lower: [1x0 double] Upper: [1x0 double] Algorithm: ' confidence - 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)

a = 10.23 (9.448, 11.01) b = 4.335e-05 (-1.82e-05, 0.0001049) c = 5.523e-12(固定在边界)

输入参数

全部折叠

`x`- - - - - -数据以适应
矩阵

要拟合的数据，指定为具有一列(曲线拟合)或两列(曲面拟合)列的矩阵。您可以使用MATLAB表中指定变量tablename.varname．不能包含正或南．在拟合中只使用复杂数据的实部。

例子:x

例子:(x, y)

数据类型:双

`y`- - - - - -数据以适应
向量

要匹配的数据，指定为行数相同的列向量x．您可以使用MATLAB表中指定一个变量tablename.varname．不能包含正或南．在拟合中只使用复杂数据的实部。

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

要匹配的数据，指定为行数相同的列向量x．您可以使用MATLAB表中指定一个变量tablename.varname．不能包含正或南．在拟合中只使用复杂数据的实部。

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的length(X) = n, length(Y) = m和大小(Z) = (m, n)．

数据类型:双

`fitType`- - - - - -拟合模型类型
特征向量|字符向量的单元格数组|匿名函数|`fittype`

要适合的模型类型，指定为库模型名称字符向量、MATLAB表达式、线性模型术语的单元格数组、匿名函数或fittype构造与fittype函数。可以使用的任何有效的第一个输入fittype作为输入适合．

有关库模型名称列表，请参见模型名称和方程．该表显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(面)

要适应自定义模型，可以使用MATLAB表达式、线性模型项的单元阵列、匿名函数或创建fittype与fittype函数，并使用它作为fitType论点。例如，请参见使用匿名函数适应自定义模型．有关线性模型术语的例子，请参阅fitType函数。

例子:“poly2”

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

的算法选项fitoptions函数。这是fit选项指定名称-值对参数的一种替代方法。

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为对应值。的名字必须出现在引号内。可以以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，指定为逗号分隔对组成“正常化”和“上”或“关闭”．

数据类型:字符

`“排除”`- - - - - -不适合的点
表达式|索引向量|逻辑向量|空

要从匹配中排除的点，指定为由“排除”其中一个:

描述逻辑向量的表达式，例如:x > 10．
一个整数向量，索引要排除的点，例如:(1 10 25)．
所有数据点的逻辑向量真正的表示一个异常值，由excludedata．

例如，请参见从Fit中排除点．

数据类型:逻辑|双

`“重量”`- - - - - -权重为合适
［］(默认)|向量

适合的权值，指定为逗号分隔的对，由“重量”和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”`- - - - - -赋值给与问题相关的常数
单元阵列|双

要赋给与问题相关的常数的值，指定为由“问题”和一个单元数组，每个元素与问题相关的常数。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，指定为逗号分隔对组成“SmoothingParam”和0到1之间的标量值。默认值取决于数据集。仅适合类型为smoothingspline．

数据类型:双

`“跨越”`- - - - - -用于局部回归的数据点的比例
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”和0到1之间的标量值。仅适合类型为洛斯或黄土．

数据类型:双

线性和非线性最小二乘选项

全部折叠

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

鲁棒线性最小二乘拟合方法，指定为逗号分隔对组成“稳健”其中一个价值观是:

“守护神”指定最小绝对残差法。
“Bisquare”指定平方权值方法。

可选择适合的类型方法是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，指定为逗号分隔对，由“低”和一个向量。默认值是一个空向量，表示适合不受下界的约束。如果指定了边界，则向量长度必须等于系数的数目。的方法求向量值中系数项的顺序coeffnames函数。例如，请参见找到系数顺序设置起点和界限．单个无约束下界可以用负．

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，指定为逗号分隔对，由“上”和一个向量。默认值是一个空向量，表示适合不受上界的约束。如果指定了边界，则向量长度必须等于系数的数目。的方法求向量值中系数项的顺序coeffnames函数。例如，请参见找到系数顺序设置起点和界限．单个无约束上界可以用+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`- - - - - -系数的初值
［］(默认)|向量

系数的初始值，指定为逗号分隔对，由曾经繁荣的和一个向量。的方法求向量值中系数项的顺序coeffnames函数。例如，请参见找到系数顺序设置起点和界限．

如果没有起始点(空向量的默认值)，则传递给适合函数，一些库模型的起始点是启发式地确定的。对于理性和威布尔模型，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，可能会得到不同的拟合系数。为了避免这种情况，为系数指定初始值fitoptions对象的向量值或曾经繁荣价值。