创建或修改合适的选择对象
创建默认的选择对象fitOptions
= fitoptionsfitOptions
。
创建默认选项对象库模型。fitOptions
= fitoptions (libraryModelName
)
创建符合选项指定的库模型由一个或多个指定附加选项fitOptions
= fitoptions (libraryModelName
,名称,值
)名称,值
对参数。
获得指定适合选择对象fitOptions
= fitoptions (fitType
)fitType
。使用这种语法与适合的选项定义模型。
创建合适的选项指定一个或多个额外的选项fitOptions
= fitoptions (名称,值
)名称,值
对参数。
修改现有的合适的选择对象newOptions
= fitoptions (fitOptions
,名称,值
)fitOptions
并返回更新选项newOptions
新的选项指定一个或多个名称,值
对参数。
结合现有的选择对象newOptions
= fitoptions (options1
,options2
)options1
和options2
在newOptions
。
如果方法
同意,非空的属性的值options2
覆盖相应的值options1
在newOptions
。
如果方法
不同,newOptions
包含了options1
值方法
和值options2
为正常化
,排除
,权重
。
创建默认的合适选择对象并设置选项之前的数据拟合中心和规模。
选择= fitoptions;选项。正常=“上”
选项=正常化:‘上’排除:(x0 1双)重量:[1 x0双]方法:“没有”
选择= fitoptions (“gauss2”)
选项=正常化:‘离开’排除:[]权重:[]方法:‘NonlinearLeastSquares健壮:‘off’曾经繁荣:低[1 x0双]:[负负无穷到0负负无穷到0]上:[1 x0双]算法:“信赖域”DiffMinChange: 1.0000 e-08 DiffMaxChange: 0.1000显示:“通知”MaxFunEvals: 600麦克斯特:400 TolFun: 1.0000 e-06 TolX: 1.0000 e-06
创建合适的选项为三次多项式和设置中心和规模和健壮的合适的选择。
选择= fitoptions (“poly3”,“正常化”,“上”,“稳健”,“Bisquare”)
选项=正常化:‘上’排除:[]权重:[]方法:‘LinearLeastSquares健壮:“Bisquare”低:[1 x0双]上:(x0 1双)
选择= fitoptions (“方法”,“LinearLeastSquares”)
选项=正常化:‘离开’排除:[]权重:[]方法:‘LinearLeastSquares健壮:‘off’低:[1 x0双]上:(x0 1双)
修改默认的合适选择对象是有用,当你想设置正常化
,排除
,或权重
属性,然后使用相同的选项适合您的数据不同的拟合方法。例如,下面使用相同的选项以适应不同的库模型类型。
负载人口普查选择= fitoptions;选项。正常化=“上”;f1 =适合(cdate、流行、“poly3”、选择);f2 =适合(cdate、流行、“exp1”、选择);f3 =适合(cdate、流行、“cubicspline”选项)
f3 =立方插值样条:f3从p (x) =分段多项式计算x是由平均1890和std 62.05归一化系数:p =系数结构
找到平滑参数。视合适选项等光滑的
在第三输出参数返回参数的适合
函数。
负载人口普查(f, gof) =适合(cdate、流行、“SmoothingSpline”);smoothparam = out.p
smoothparam = 0.0089
修改默认的平滑参数的新健康。
选择= fitoptions (“方法”,“SmoothingSpline”,…“SmoothingParam”,0.0098);(f, gof) =适合(cdate、流行、“SmoothingSpline”、选择);
创建一个高斯,检查置信区间,指定下界合适选项帮助算法。
创建一个嘈杂的和两个高斯峰,一个小的宽度,并且有大量的宽度。
a1 = 1;b1 = 1;c1 = 0.05;a2 = 1;b2 = 1;c2 = 50;x = (10:0.02:10)”;gdata = a1 * exp (- ((x-b1) / c1)。^ 2) +…(a2 * exp () - (x-b2 / c2)。^ 2) +…0.1 *(兰德(大小(x)));情节(x, gdata)
符合两届高斯图书馆使用的数据模型。
礼物=适合(x, gdata“gauss2”)
礼物=一般模型Gauss2:礼物(x) = a1 * exp (- ((x-b1) / c1) ^ 2) + a2 * exp (- ((x-b2) / c2) ^ 2)系数(95%置信界限):a1 = -0.145 b1 (-1.486, 1.195) = 9.725 (-14.71, 34.16) c1 = 7.117 a2 (-15.84, 30.07) = 14.06 (-1.957 e + 04, 1.96 e + 04) b2 = 607 (-3.193 e + 05年,3.205 e + 05) c2 = 375.9 (-9.737 e + 04, 9.812 e + 04)
情节(礼物,x, gdata)
的算法是有困难的,宽的置信区间数表示的系数。
帮助算法,为非负振幅指定下界a1
和a2
和宽度c1
,c2
。
选择= fitoptions (“gauss2”,“低”,0负0 0负0);
或者,您可以使用表单设置合适的属性选项选项。属性= NewPropertyValue
。
选择= fitoptions (“gauss2”);选项。低=[0负0 0负0];
验算符合使用绑定约束系数。
礼物=适合(x, gdata“gauss2”选项)
礼物=一般模型Gauss2:礼物(x) = a1 * exp (- ((x-b1) / c1) ^ 2) + a2 * exp (- ((x-b2) / c2) ^ 2)系数(95%置信界限):a1 = 1.005 (0.966, 1.044) b1 = 1 (-1.002, -0.9988) c1 = 0.0491 a2 (0.0469, 0.0513) = 0.9985 (0.9958, 1.001) b2 = 0.8059 (0.3879, 1.224) c2 = 50.6 (46.68, 54.52)
情节(礼物,x, gdata)
这是一个更好的健康。可以进一步改善分配合理的适应值的其他属性适合选择对象。
创建合适的选项和设置下界。
选择= fitoptions (“gauss2”,“低”(0负0 0负0))
选项=正常化:‘离开’排除:[]权重:[]方法:‘NonlinearLeastSquares健壮:‘off’曾经繁荣:低[1 x0双]:[0负0 0负0]上:[1 x0双]算法:“信赖域”DiffMinChange: 1.0000 e-08 DiffMaxChange: 0.1000显示:“通知”MaxFunEvals: 600麦克斯特:400 TolFun: 1.0000 e-06 TolX: 1.0000 e-06
创建一个新副本适合选择和修改的参数。
newoptions = fitoptions(选项,“稳健”,“Bisquare”)
newoptions =正常化:‘离开’排除:[]权重:[]方法:‘NonlinearLeastSquares健壮:“Bisquare”曾经繁荣:低[1 x0双]:[0负0 0负0]上:[1 x0双]算法:“信赖域”DiffMinChange: 1.0000 e-08 DiffMaxChange: 0.1000显示:“通知”MaxFunEvals: 600麦克斯特:400 TolFun: 1.0000 e-06 TolX: 1.0000 e-06
结合适合的选择。
newoptions options2 = fitoptions(选项)
options2 =正常化:‘离开’排除:[]权重:[]方法:‘NonlinearLeastSquares健壮:“Bisquare”曾经繁荣:低[1 x0双]:[0负0 0负0]上:[1 x0双]算法:“信赖域”DiffMinChange: 1.0000 e-08 DiffMaxChange: 0.1000显示:“通知”MaxFunEvals: 600麦克斯特:400 TolFun: 1.0000 e-06 TolX: 1.0000 e-06
创建一个线性模型适合类型。
融通= fittype ({“x”,“sin (x)”,' 1 '})
融通=线性模型:融通(a, b, c, x) = x + b * * sin (x) + c
得到合适的选择合适的类型融通
。
fo = fitoptions(公布)
fo =正常化:‘离开’排除:[]权重:[]方法:‘LinearLeastSquares健壮:‘off’低:[1 x0双]上:(x0 1双)
设置规范化健康的选择。
fo。正常化=“上”
fo =正常化:‘上’排除:[]权重:[]方法:‘LinearLeastSquares健壮:‘Off’低:[1 x0双]上:(x0 1双)
libraryModelName
- - - - - -库模型适合适合图书馆模型,指定为一个特征向量。此表显示了一些常见的例子。
库模型名称 |
描述 |
---|---|
|
线性多项式曲线 |
|
线性多项式表面 |
|
二次多项式曲线 |
|
分段线性插值 |
|
分段立方插值 |
|
平滑样条(曲线) |
|
局部线性回归(表面) |
库模型名称的列表,请参阅模型名称和方程。
例子:“poly2”
数据类型:字符
fitType
- - - - - -模型类型,以适应fittype
模型类型,指定为一个fittype
构造与fittype
函数。使用这个工作适合选择自定义模型。
fitOptions
- - - - - -算法的选择fitoptions
算法的选择,作为一个指定fitoptions
对象创建使用fitoptions
函数。
options1
- - - - - -算法选择相结合fitoptions
使用的算法选择结合,构造fitoptions
函数。
options2
- - - - - -算法选择相结合fitoptions
使用的算法选择结合,构造fitoptions
函数。
指定可选的逗号分隔条名称,值
参数。的名字
参数名称和吗价值
相应的价值。的名字
必须出现在引号。您可以指定几个名称和值对参数在任何顺序Name1, Value1,…,的家
。
“方法”、“NonlinearLeastSquares”,“低”,(0,0),“上层”,正无穷,max (x),“曾经繁荣”,[1]
指定合适的方法,边界,并开始点。
“正常化”
- - - - - -选择数据中心和规模“关闭”
(默认)|“上”
选择中心和规模数据,指定为逗号分隔组成的“正常化”
和“上”
或“关闭”
。
数据类型:字符
“排除”
- - - - - -从适合排除点从健康,排除指定为逗号分隔组成的“排除”
其中一个:
一个表达式描述逻辑向量,例如,x > 10
。
一个整数向量索引点你想排除,例如,(1 10 25)
。
所有数据点的逻辑向量真正的
代表一个异类,创建的excludedata
。
有关示例,请参见适合
。
“重量”
- - - - - -权重为合适重量合适,指定为逗号分隔组成的“重量”
和一个向量相同的大小和数量的数据点。
数据类型:双
“方法”
- - - - - -拟合方法“没有”
(默认)|特征向量拟合方法,指定为逗号分隔组成的“方法”
这张桌子的拟合方法。
拟合方法 |
描述 |
---|---|
|
最近邻插值 |
|
线性插值 |
|
分段三次埃尔米特插值(曲线) |
|
三次样条插值 |
|
双调和表面插值 |
|
平滑样条 |
|
洛斯平滑(表面) |
|
线性最小二乘 |
|
非线性最小二乘 |
数据类型:字符
“SmoothingParam”
- - - - - -平滑参数平滑参数,指定为逗号分隔组成的“SmoothingParam”
和一个标量值在0和1之间。默认值只取决于数据集。如果可用方法
是SmoothingSpline
。
数据类型:双
“跨越”
- - - - - -比例的数据点用在当地的回归比例的数据点用在当地的回归,指定为逗号分隔组成的“跨越”
和一个标量值在0和1之间。只有如果方法
是LowessFit
。
数据类型:双
“稳健”
- - - - - -鲁棒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,指定为逗号分隔组成的“稳健”
这些值之一:
“守护神”
指定最小绝对剩余方法。
“Bisquare”
指定bisquare权重方法。
当可用方法
是LinearLeastSquares
或NonlinearLeastSquares
。
数据类型:字符
“低”
- - - - - -上下界系数拟合下界的拟合系数,指定为逗号分隔组成的“低”
和一个向量。默认值是一个空向量,表明符合无约束的下界。如果指定范围,向量的长度必须相等数量的系数。找到的条目的顺序系数向量中值使用coeffnames
函数。例如,看到的适合
。可以指定个人无约束下界负
。
当可用方法
是LinearLeastSquares
或NonlinearLeastSquares
。
数据类型:双
“上”
- - - - - -上限系数拟合上界的拟合系数,指定为逗号分隔组成的“上”
和一个向量。默认值是一个空向量,表明健康的无约束的上界。如果指定范围,向量的长度必须相等数量的系数。找到的条目的顺序系数向量中值使用coeffnames
函数。例如,看到的适合
。可以指定个人不受约束的上界+正
。
当可用方法
是LinearLeastSquares
或NonlinearLeastSquares
。
数据类型:逻辑
曾经繁荣的
- - - - - -初始值系数初始值的系数,指定为逗号分隔组成的曾经繁荣的
和一个向量。找到的条目的顺序系数向量中值使用coeffnames
函数。例如,看到的适合
。
如果没有开始点(一个空向量的默认值)的传递适合
一些图书馆模型函数,起点是启发式的决定。理性和威布尔模型,所有自定义非线性模型,工具箱中选择默认初始值系数随机均匀的间隔(0,1)。因此,多个适合使用相同的数据和模型可能会导致不同的拟合系数。为了避免这种情况,指定初始值的系数向量的值曾经繁荣
财产。
当可用方法
是NonlinearLeastSquares
。
数据类型:双
“算法”
- - - - - -算法用于拟合过程算法用于拟合程序,指定为逗号分隔组成的“算法”
,要么“Levenberg-Marquardt”
或“信赖域”
。
当可用方法
是NonlinearLeastSquares
。
数据类型:字符
“DiffMaxChange”
- - - - - -最大的有限差分的系数变化梯度0.1
(默认)最大的有限差分的系数变化梯度,指定为逗号分隔组成的“DiffMaxChange”
和一个标量。
当可用方法
是NonlinearLeastSquares
。
数据类型:双
“DiffMinChange”
- - - - - -最低的变化系数有限差分梯度108
(默认)最低有限差分的系数变化梯度,指定为逗号分隔组成的“DiffMinChange”
和一个标量。
当可用方法
是NonlinearLeastSquares
。
数据类型:双
“显示”
- - - - - -在命令窗口中显示选项“通知”
(默认)|“最后一次”
|“通路”
|“关闭”
显示选项在命令窗口中,指定为逗号分隔组成的“显示”
这些选项之一:
“通知”
显示输出只有适合不收敛。
“最后一次”
只显示最终的输出。
“通路”
在每一次迭代时显示输出。
“关闭”
显示没有输出。
当可用方法
是NonlinearLeastSquares
。
数据类型:字符
“MaxFunEvals”
- - - - - -允许的最大数量的评估模型600年
(默认)允许的最大数量的评估模型,指定为逗号分隔组成的“MaxFunEvals”
和一个标量。
当可用方法
是NonlinearLeastSquares
。
数据类型:双
“麦克斯特”
- - - - - -允许的最大迭代次数400年
(默认)最大允许的迭代次数,指定为逗号分隔组成的“麦克斯特”
和一个标量。
当可用方法
是NonlinearLeastSquares
。
数据类型:双
“TolFun”
- - - - - -终止公差模型的价值106
(默认)终止公差模型值,指定为逗号分隔组成的“TolFun”
和一个标量。
当可用方法
是NonlinearLeastSquares
。
数据类型:双
“TolX”
- - - - - -终止公差系数值终止公差系数值,指定为逗号分隔组成的“TolX”
和一个标量。
当可用方法
是NonlinearLeastSquares
。
数据类型:双
fitOptions
——算法选择fitoptions
算法的选择,作为一个返回fitoptions
对象。
newOptions
——新算法选择fitoptions
新算法选择,作为一个返回fitoptions
对象。
您有一张这本Beispiels abgeanderte版本。您这本Beispiel麻省理工学院古老Anderungen offnen吗?
您有窗户的链接geklickt,汪汪汪der diesem MATLAB-Befehl entspricht:
在das MATLAB-Befehlsfenster Fuhren您窝Befehl军队Eingabe来自。浏览器unterstutzen MATLAB-Befehle。
你也可以从下面的列表中选择一个网站:
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。