fitnlm

负载carbig台=表(马力、重量、MPG);Modelfun = @(b,x)b(1) + b(2)*x(:，1).^b(3) +......b (4) * x(:, 2)。^ b (5);β = [-50 500 -1 500 -1];mdl = fitnlm(资源描述、modelfun beta0)

mdl =非线性回归模型:MPG ~ b1 + b2*马力^b3 + b4*权重^b5Estimate SE tStat pValue ________ _______ ________ ________ b1 -49.383 119.97 -0.41164 0.68083 b2 376.43 567.05 0.66384 0.50719 b3 -0.78193 0.47168 -1.6578 0.098177 b4 422.37 776.02 0.54428 0.58656 b5 -0.24127 0.48325 -0.49926 0.61788观测数量:392，误差自由度:387均方根误差:3.96 R-Squared:0.743 F-statistic vs. constant model: 283, p-value = 1.79e-113

来自矩阵数据的非线性模型

打开生活的脚本

建立非线性模型的汽车里程基于carbig数据。

加载数据并创建一个非线性模型。

负载carbigX =(功率、重量);y = MPG;Modelfun = @(b,x)b(1) + b(2)*x(:，1).^b(3) +......b (4) * x(:, 2)。^ b (5);β = [-50 500 -1 500 -1];mdl = fitnlm（x，y，modelfun，beta0）

mdl =非线性回归模型:y ~ b1 + b2*x1^b3 + b4*x2^b5 Estimated Coefficients: Estimated SE tStat pValue ________ _______ ________ ________ b1 -49.383 119.97 -0.41164 0.68083 b2 376.43 567.05 0.66384 0.50719 b3 -0.78193 0.47168 -1.6578 0.098177 b4 422.37 776.02 0.54428 0.58656 b5 -0.24127 0.48325 -0.49926 0.61788观测数:392，误差自由度:387均方根误差:3.96 R-Squared: 0.745，校正R-Squared 0.743 F-statistic vs. constant model: 283, p-value = 1.79e-113

调整非线性模型中的拟合选项

打开生活的脚本

建立非线性模型的汽车里程基于carbig数据。力求更准确，降低TolFun选项，并通过设置展示选择。

加载数据并创建一个非线性模型。

负载carbigX =(功率、重量);y = MPG;Modelfun = @(b,x)b(1) + b(2)*x(:，1).^b(3) +......b (4) * x(:, 2)。^ b (5);β = [-50 500 -1 500 -1];

创建选项降低TolFun和报告迭代显示，并使用选项创建模型。

选择= statset (“显示”，“通路”，“TolFun”1平台以及);mdl = fitnlm (X, y, modelfun beta0,“选项”、选择);

迭代规范的规范SSE梯度步骤---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- 0 1.82248e+06 1 678600 788810 1691.07 2 616716 6.12739e+06 45.4738 3 249831 3.9532e+06 293.557 4 17675 361544 369.284 5 11746.6 69670.5 169.079 6 7242.22 343738 394.822 7 6250.32 159719 452.941 8 6172.87 91622.9 268.674 9 6077 6957.44 100.208 10 6076.34 6370.4 88.1905 11 6075.75 5199.08 77.9694 12 6075.3 4646.61 69.764 13 6074.91 4235.96 62.9114 14 6074.55 3885.28 57.0647 15 6074.23 3571.1 52.0036 16 6073.93 3286.48 47.5795 17 6073.66 3028.34 43.6844 18 6073.4 2794.31 40.2352 19 6073.17 2582.15 37.1663 20 6072.95 2389.68 34.4243 21 6072.74 2214.84 31.965 22 6072.55 2055.78 29.7516 23 6072.37 1910.83 27.753 24 6072.21 1778.51 25.9428 25 6072.05 1657.5 24.2986 26 6071.9 1546.65 22.8011 27 6071.76 1444.93 21.4338 28 6071.63 1351.44 20.1822 29 6071.51 1265.39 19.0339 30 6071.39 1186.06 17.978 31 6071.28 1112.83 17.0052 32 6071.17 1045.13 16.107 33 6071.07 982.465 15.2762 34 6070.98 924.389 14.5063 35 6070.89 870.498 13.7916 36 6070.8 820.434 13.127 37 6070.72 773.872 12.5081 38 6070.64 730.521 11.9307 39 6070.57 690.117 11.3914 40 6070.5 652.422 10.887 41 6070.43 617.219 10.4144 42 6070.37 584.315 9.97114 43 6070.31 553.53 9.55489 44 6070.25 524.703 9.1635 45 6070.19 497.686 8.79506 46 6070.14 472.345 8.44785 47 6070.08 448.557 8.12028 48 6070.03 426.21 7.81092 49 6069.99 405.201 7.51845 50 6069.94 385.435 7.2417 51 6069.9 366.825 6.97956 52 6069.85 349.293 6.73104 53 6069.81 332.764 6.49523 54 6069.77 317.171 6.27127 55 6069.74 302.452 6.0584 56 6069.7 288.55 5.85591 57 6069.66 275.411 5.66315 58 6069.63 262.986 5.47949 59 6069.6 251.23 5.3044 60 6069.57 240.1 5.13734 61 6069.54 229.558 4.97784 62 6069.51 219.567 4.82545 63 6069.48 210.094 4.67977 64 6069.45 201.108 4.5404 65 6069.43 192.578 4.407 66 6069.4 184.479 4.27923 67 6069.38 176.785 4.15678 68 6069.35 169.472 4.03935 69 6069.33 162.518 3.9267 70 6069.31 155.903 3.81855 71 6069.29 149.608 3.71468 72 6069.26 143.615 3.61486 73 6069.24 137.907 3.51889 74 6069.22 132.468 3.42658 75 6069.21 127.283 3.33774 76 6069.19 122.339 3.25221 77 6069.17 117.623 3.16981 78 6069.15 113.123 3.09041 79 6069.14 108.827 3.01386 80 6069.12 104.725 2.94002 81 6069.1 100.806 2.86877 82 6069.09 97.0611 2.8 83 6069.07 93.4814 2.73358 84 6069.06 90.0584 2.66942 85 6069.05 86.7842 2.60741 86 6069.03 83.6513 2.54745 87 6069.02 80.6528 2.48947 88 6069.01 77.7821 2.43338 89 6068.99 75.0327 2.37908 90 6068.98 72.399 2.32652 91 6068.97 69.8752 2.27561 92 6068.96 67.4561 2.22629 93 6068.95 65.1367 2.17849 94 6068.94 62.9123 2.13216 95 6068.93 60.7784 2.08723 96 6068.92 58.7308 2.04364 97 6068.91 56.7655 2.00135 98 6068.9 54.8787 1.9603 99 6068.89 4349.28 18.1917 100 6068.77 2416.27 14.4439 101 6068.71 1721.26 12.1305 102 6068.66 1228.78 10.289 103 6068.63 884.002 8.82019 104 6068.6 639.615 7.62745 105 6068.58 464.84 6.64627 106 6068.56 338.878 5.82964 107 6068.55 247.508 5.14297 108 6068.54 180.879 4.56032 109 6068.53 132.084 4.06194 110 6068.52 96.2342 3.63255 111 6068.51 69.8363 3.2602 112 6068.51 50.3734 2.93541 113 6068.5 36.0206 2.65062 114 6068.5 25.4451 2.39969 115 6068.49 17.6692 2.17764 116 6068.49 1027.39 14.0164 117 6068.48 544.039 5.31369 118 6068.48 94.0567 2.86662 119 6068.48 113.636 3.73504 120 6068.48 0.51821 1.37054 121 6068.48 4.59524 0.912906 122 6068.48 1.56406 0.62935 123 6068.48 1.13837 0.43259 124 6068.48 0.296041 0.297545 Iterations terminated: relative change in SSE less than OPTIONS.TolFun

使用Model Name语法指定非线性回归

打开生活的脚本

使用函数句柄或模型语法指定估计的非线性回归模型。

加载样本数据。

s = load（“反应”）;X = S.reactants;y = S.rate;beta0 = S.beta;

使用函数句柄为速率数据指定Hougen-Watson模型。

mdl = fitnlm (X, y, @hougen beta0)

mdl =非线性回归模型:y ~ hougen(b,X) Estimated Coefficients: Estimate SE tStat pValue ________ ________ ______ _______ b1 1.2526 0.86701 1.4447 0.18654 b2 0.062776 0.043561 1.4411 0.18753 b3 0.040048 0.030885 1.2967 0.23089 b4 0.11242 0.075157 1.4957 0.17309 b5 1.1914 0.83671 1.4239 0.1923观测数:13、误差自由度:8均方根误差:0.193 R-Squared: 0.999，调整R-Squared 0.998 F-statistic vs. 0模型:3.91e+03, p-value = 2.54e-13

或者，您可以使用表达式为速率数据指定Hougen-Watson模型。

myfun =“y ~ (b1 * x2 x3 / b5) / (1 + b2 * x1 + b3 * x2 + b4 * x3)”；mdl2 = fitnlm (X, y, myfun beta0)

mdl2 =非线性回归模型:y ~ (b1*x2 - x3/b5)/(1 + b2*x1 + b3*x2 + b4*x3)Estimate SE tStat pValue ________ ________ ______ _______ b1 1.2526 0.86701 1.4447 0.18654 b2 0.062776 0.043561 1.4411 0.18753 b3 0.040048 0.030885 1.2967 0.23089 b4 0.11242 0.075157 1.4957 0.17309 b5 1.1914 0.83671 1.4239 0.1923观测数:13，误差自由度:8均方根误差:0.193 R-Squared:0.999，调整后的R-Squared 0.998 F-statistic vs. 0 model: 3.91e+03, p-value = 2.54e-13

使用稳健拟合选项估计非线性回归

打开生活的脚本

从非线性回归模型生成样本数据

$y ＝ b_{1} + b_{2} exp. （ - b_{3.} x ） + ε ，$

在哪里 $b_{1}$ ， $b_{2}$ , $b_{3.}$ 为系数，误差项为正态分布，均值为0，标准差为0.5。

modelfun = @ (b, x) (b (1) + (2) * exp (- b (3) * x));rng (“默认”）%的再现性b = [1; 3; 2);x = exprnd (2100 1);Y = modelfun(b,x) + normrnd(0,0.5,100,1);

设置可靠的装配选项。

选择= statset (“nlinfit”）;选择。RobustWgtFun =“bisquare”；

使用鲁棒拟合选项拟合非线性模型。在这里，使用表达式来指定模型。

b0 = (2; 2; 2);modelstr =y ~ b1 + b2*exp(-b3*x)'；mdl = fitnlm (x, y, modelstr b0,“选项”，选择）

mdl =非线性回归模型(健壮健康):y ~ b1 + b2 * exp (- b3 * x)估计系数:估计SE tStat pValue  ________ _______ ______ __________ b1 1.0218 0.07202 14.188 2.1344 e-25 b2 e-26 b3 2.9732 0.38496 7.7232 7.974 3.6619 0.25429 14.401 1.0346 e-11观测数量:100年,错误自由度:97根均方误差:F-statistic vs. constant model: 203, p-value = 2.34e-35

利用权函数处理拟合非线性回归模型

打开生活的脚本

加载样本数据。

s = load（“反应”）;X = S.reactants;y = S.rate;beta0 = S.beta;

为观察权值指定一个函数句柄。该函数接受模型拟合值作为输入，并返回一个权重向量。

a = 1;B = 1;权重= @（yhat）1./(（+ b * abs（yhat））。^ 2）;

使用指定的观测权函数拟合Hougen-Watson模型到速率数据。

mdl = fitnlm (X, y, @hougen beta0,“重量”、重量)

mdl =非线性回归模型:y ~ hougen(b,X) Estimated Coefficients: Estimate SE tStat pValue ________ ________ ______ _______ b1 0.83085 0.58224 1.427 0.19142 b2 0.04095 0.029663 1.3805 0.20477 b3 0.025063 0.019673 1.274 0.23842 b4 0.080053 0.057812 1.3847 0.20353 b5 1.8261 1.281 1.4256 0.1918313、误差自由度:8均方根误差:0.037 R-Squared: 0.998，调整R-Squared 0.998 F-statistic vs. 0模型:1.14e+03, p-value = 3.49e-11

使用非常数误差模型的非线性回归模型

打开生活的脚本

加载样本数据。

s = load（“反应”）;X = S.reactants;y = S.rate;beta0 = S.beta;

使用组合误差方差模型拟合Hougen-Watson模型到速率数据。

mdl = fitnlm (X, y, @hougen beta0,“ErrorModel”，“组合”）

mdl =非线性回归模型:y ~ hougen(b,X) Estimated Coefficients: Estimate SE tStat pValue ________ ________ ______ _______ b1 1.2526 0.86702 1.4447 0.18654 b2 0.062776 0.043561 1.4411 0.18753 b3 0.040048 0.030885 1.2967 0.23089 b4 0.11242 0.075158 1.4957 0.17309 b5 1.1914 0.83671 1.4239 0.1923观测数:13、误差自由度:8均方根误差:1.27 R-Squared: 0.999，调整R-Squared 0.998 F-statistic vs. 0模型:3.91e+03, p-value = 2.54e-13

输入参数

全部折叠

`资源描述`- - - - - -输入数据
表格|数据集的数组

输入数据，包括预测器和响应变量，指定为表或数据集数组。预测变量和响应变量必须是数值的。

如果您指定modelfun通过一个公式，公式中的模型规范指定了预测器和响应变量。
如果您指定modelfun默认情况下，使用函数句柄，最后一个变量是响应变量，其他变量是预测变量。控件可以将不同的列设置为响应变量ResponseVar名称-值对的论点。要选择列的子集作为预测器，请使用PredictorVars名称-值对的论点。

表中的变量名不一定是有效的MATLAB^®标识符。但是，如果名称无效，则不能指定modelfun使用一个公式。

您可以验证变量名资源描述通过使用isvarname函数。如果变量名称无效，则可以使用使用的转换它们matlab.lang.makeValidName函数。

数据类型:表格

`X`- - - - - -预测变量
矩阵

预测变量，指定为n——- - - - - -p矩阵,n观察的次数是多少p为预测变量的数量。每一列的X表示一个变量，每一行表示一个观察。

数据类型:单身的|双

`y`- - - - - -反应变量
向量

响应变量，指定为n1的向量,n为观察次数。中的每个条目y对应一行的响应是X．

数据类型:单身的|双

`modelfun`- - - - - -模型的功能形式
函数处理|字符向量或字符串标量公式的形式`＇y～f(b1, b2,…,bj, x1, x2,…,xk)”`

模型的功能形式，指定为下列任何一种形式。

函数处理＠modelfun或@ (b, x)modelfun,在那里
- b是一个与相同数量的元素的系数矢量beta0．
- x一个列数相同的矩阵吗X或预测器变量列的数量资源描述．
modelfunb (x)返回包含相同行数的列向量x．向量的每一行都是求值的结果modelfun对应的一行x．换句话说,modelfun是一个向量化函数，它对所有数据行进行操作，并在一次函数调用中返回所有计算结果。modelfun应该返回实数以获得有意义的系数。
字符向量或字符串标量公式的形式＇y～f(b1, b2,…,bj, x1, x2,…,xk)”,在那里f表示标量系数变量的标量函数b1、……bj和标量数据变量x1、……xk．公式中的变量名必须是有效的MATLAB标识符。

数据类型:function_handle|字符|字符串

`beta0`- - - - - -系数
数值向量

非线性模型的系数，指定为数值向量。非线性模型从。开始寻找最佳系数beta0．

数据类型:单身的|双

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:'errormodel'，'组合'，'排除'，2，'选项'，选择将错误模型指定为组合模型，从拟合中排除第二个观察值，并使用结构中定义的选项选择控制迭代拟合过程。

`“CoefficientNames”`- - - - - -模型系数的名称
`{'b1'，'b2'，...，'bk'}`(默认)|字符串数组|字符向量的单元格数组

模型系数的名称，指定为字符向量的字符串数组或单元数组。

数据类型:字符串|细胞

`“ErrorModel”`- - - - - -错误方差模型的形式
`“不变”`(默认)|`“比例”`|`“组合”`

形式的误差方差模型，指定为以下之一。每个模型都使用标准的均值-零和单位方差变量来定义误差e与独立组件组合:函数值f，以及一两个参数一个和b

`“不变”`(默认)	$y ＝ f + 一个 e$
`“比例”`	$y ＝ f + b f e$
`“组合”`	$y ＝ f + （一个 + b \| f \| ） e$

使用时唯一允许的误差模型权重是“不变”．

请注意

选项。RobustWgtFun必须有价值［］当使用错误模型而不是“不变”．

例子:“ErrorModel”、“比例”

`“ErrorParameters”`- - - - - -误差模型参数的初始估计
数字数组

初始估计的误差模型参数的选择ErrorModel，指定为数字数组。

误差模型	参数	默认值
`“不变”`	一个	`1`
`“比例”`	b	`1`
`“组合”`	一个，b	`[1]`

你只能用“不变”使用时的误差模型权重．

请注意

选项。RobustWgtFun必须有价值［］当使用错误模型而不是“不变”．

例如,如果“ErrorModel”的值“组合”，可以指定起始值1一个起始值是2b如下。

例子:“ErrorParameters”,[1,2]

数据类型:单身的|双

`“排除”`- - - - - -观察排除
逻辑或数字索引向量

要从匹配中排除的观察值，指定为由逗号分隔的对组成“排除”以及逻辑或数字索引向量，指示要从拟合中排除哪些观测值。

例如，您可以使用下面的任何一个示例排除6个观察值中的2个和3个。

例子:“排除”,[2,3]

例子:'排除'，逻辑([0 1 1 0 0])

数据类型:单身的|双|逻辑

`“选项”`- - - - - -控制迭代拟合过程的选项
[](默认)|结构

控制迭代拟合过程的选项，指定为创建的结构statset．相关字段是调用返回的结构中的非空字段statset(“fitnlm”)．

选项	意义	默认的
`DerivStep`	用于有限差分导数计算的相对差分。一个正标量，或一个与Statistics和Machine Learning Toolbox™函数使用选项结构估计的参数向量大小相同的正标量向量。	`eps ^ (1/3)`
`展示`	拟合算法显示的信息量。 `“关闭”`—不显示任何信息。 `“最后一次”`—显示最终输出。 `“通路”`—在命令窗口中显示迭代输出。	`“关闭”`
`funvalcheck.`	指示检查无效值的字符向量或字符串标量，例如`南`或`正`，从模型函数。	`“上”`
`麦克斯特`	允许的最大迭代次数。正整数。	`200`
`RobustWgtFun`	用于鲁棒拟合的权函数。也可以是一个函数句柄，接受归一化残差作为输入，并返回鲁棒权值作为输出。如果你使用函数句柄，给出一个`调优`常数。看到健壮的选项	`［］`
`调优`	鲁棒拟合中使用的调谐常数，在应用权函数之前对残差进行归一化。一个积极的标量。如果权重函数被指定为函数句柄，则需要。	看到健壮的选项对于默认值，这取决于`RobustWgtFun`．
`TolFun`	终止公差为目标函数值。积极的标量。	`1 e-8`
`TolX`	参数的终止公差。积极的标量。	`1 e-8`

数据类型:结构体

`“PredictorVars”`- - - - - -预测变量
字符串数组|字符向量的单元格数组|逻辑或数字索引向量

要在适合的情况下使用的预测变量，指定为逗号分隔对组成“PredictorVars”以及表或数据集数组中变量名的字符向量的字符串数组或单元格数组资源描述，或逻辑或数字索引向量，指示哪些列是预测变量。

中的名称应包含字符串值或字符向量资源描述，或使用“VarNames”名称-值对的论点。

默认是所有的变量X，或所有变量资源描述除了ResponseVar．

例如，您可以使用以下任意一个示例指定第二个和第三个变量作为预测变量。

例子:“PredictorVars”,[2,3]

例子:'PredictorVars'，逻辑([0 1 1 0 0])

数据类型:单身的|双|逻辑|字符串|细胞

`“ResponseVar”`- - - - - -反应变量
最后一列`资源描述`(默认)|变量名|逻辑或数字索引向量

响应变量要在适合中使用，指定为逗号分隔对组成“ResponseVar”以及表或数据集数组中的变量名资源描述，或逻辑或数字索引向量，指示哪一列是响应变量。

如果您指定一个模型，它将指定响应变量。否则，当拟合表或数据集数组时，“ResponseVar”显示哪个变量fitnlm应作为响应使用。

例如，您可以指定第四个变量收益率，作为对六个变量的响应，以下列方式之一。

例子:“ResponseVar”、“收益”

例子:“ResponseVar”,[4]

例子:'ResponseVar'，逻辑([0 0 0 1 0 0])

数据类型:单身的|双|逻辑|字符|字符串

`“VarNames”`- - - - - -变量的名字
`{x1, x2,…,‘xn’,‘y’}`(默认)|字符串数组|字符向量的单元格数组

用逗号分隔的变量对指定的变量名，由“VarNames”以及字符向量的字符串数组或单元格数组，其中包括的列的名称X首先是响应变量的名称y最后的。

“VarNames”不适用于表或数据集数组中的变量，因为这些变量已经有了名称。

例子:'varnames'，{'horsepower'，'加速'，'model_year'，'mpg'}

数据类型:字符串|细胞

`“重量”`- - - - - -观察权重
`的(n, 1)`(默认)|非负标量值的向量|函数处理

观察权值，指定为非负标量值的向量或函数句柄。

如果你指定了一个向量，那么它一定有n元素，在哪里n是行的数量资源描述或y．
如果指定一个函数句柄，那么该函数必须接受一个预测响应值的向量作为输入，并返回一个实正权重的向量作为输出。

给定的权重,W，非线性模型估计观察的误差方差我通过MSE * (1 / W (i))，其中MSE为均方误差。

数据类型:单身的|双|function_handle

输出参数

全部折叠

`mdl`——非线性模型
`非线性模型`对象

表示响应数据的最小二乘拟合的非线性模型，返回为非线性模型对象。

如果选项结构包含一个非空的RobustWgtFun字段时，模型不是最小二乘拟合，而是使用RobustWgtFun健壮的拟合函数。

对于非线性模型对象的性质和方法，mdl，看看非线性模型类页面。

权函数	方程	默认调优常数
`“安德鲁”`	`W = (abs(r)`	1.339
`“bisquare”`(默认)	`W = (abs(r)<1) .* (1 - r.^2).^2`	4.685
`“柯西”`	`W = 1 ./ (1 + r.²)`	2.385
`“公平”`	`W = 1 ./ (1 + abs(r))`	1.400
`“休伯”`	`W = 1 ./ max(1, abs(r))`	1.345
`“物流”`	`W = tanh(r) / r`	1.205
`“犯错误”`	`W = 1 * (abs(r)<1))`	2.795
`“welsch”`	`w = exp (- (r ^ 2))`	2.985
`［］`	没有健壮的拟合	- - - - - -

算法

fitnlm采用相同的拟合算法nlinfit．
fitnlm认为南值资源描述，X,y丢失值。当拟合模型时，fitnlm不使用缺失值的观测值或在哪个位置的观测值modelfun返回南值。的ObservationInfo属性包含关于是否拟合的信息fitnlm把每个观察结果都用在合适的地方。

参考文献

G. A. F. Seber和C. J. Wild。非线性回归．霍博肯:Wiley-Interscience, 2003。

[2] Dumouchel，W. H.和F. L. O'Brien。“将强大的选项集成到多元回归计算环境中。”计算机科学与统计:第21届界面学术研讨会论文集．弗吉尼亚州亚历山大市:美国统计协会，1989年。

荷兰，P. W.和R. E.韦尔什。“使用迭代加权最小二乘的稳健回归”统计学通讯:理论与方法，A6， 1977，第813-827页。

另请参阅

nlinfit|非线性模型

主题

介绍了R2013b

fitnlm

语法

描述

例子

表中的非线性模型

来自矩阵数据的非线性模型

调整非线性模型中的拟合选项

使用Model Name语法指定非线性回归

使用稳健拟合选项估计非线性回归

利用权函数处理拟合非线性回归模型

使用非常数误差模型的非线性回归模型

输入参数

`资源描述`- - - - - -输入数据
表格|数据集的数组

`X`- - - - - -预测变量
矩阵

`y`- - - - - -反应变量
向量

`modelfun`- - - - - -模型的功能形式
函数处理|字符向量或字符串标量公式的形式`＇y～f(b1, b2,…,bj, x1, x2,…,xk)”`

`beta0`- - - - - -系数
数值向量

名称-值对的观点

`“CoefficientNames”`- - - - - -模型系数的名称
`{'b1'，'b2'，...，'bk'}`(默认)|字符串数组|字符向量的单元格数组

`“ErrorModel”`- - - - - -错误方差模型的形式
`“不变”`(默认)|`“比例”`|`“组合”`

`“ErrorParameters”`- - - - - -误差模型参数的初始估计
数字数组

`“排除”`- - - - - -观察排除
逻辑或数字索引向量

`“选项”`- - - - - -控制迭代拟合过程的选项
[](默认)|结构

`“PredictorVars”`- - - - - -预测变量
字符串数组|字符向量的单元格数组|逻辑或数字索引向量

`“ResponseVar”`- - - - - -反应变量
最后一列`资源描述`(默认)|变量名|逻辑或数字索引向量

`“VarNames”`- - - - - -变量的名字
`{x1, x2,…,‘xn’,‘y’}`(默认)|字符串数组|字符向量的单元格数组

`“重量”`- - - - - -观察权重
`的(n, 1)`(默认)|非负标量值的向量|函数处理

输出参数

`mdl`——非线性模型
`非线性模型`对象

更多关于

健壮的选项

算法

参考文献

另请参阅

主题

统计和机器学习工具箱文档

金宝app

掌握机器学习:一步一步的指导与MATLAB

fitnlm

语法

描述

例子

表中的非线性模型

来自矩阵数据的非线性模型

调整非线性模型中的拟合选项

使用Model Name语法指定非线性回归

使用稳健拟合选项估计非线性回归

利用权函数处理拟合非线性回归模型

使用非常数误差模型的非线性回归模型

输入参数

资源描述- - - - - -输入数据表格|数据集的数组

X- - - - - -预测变量矩阵

y- - - - - -反应变量向量

modelfun- - - - - -模型的功能形式函数处理|字符向量或字符串标量公式的形式＇y～f(b1, b2,…,bj, x1, x2,…,xk)”

beta0- - - - - -系数数值向量

名称-值对的观点

“CoefficientNames”- - - - - -模型系数的名称{'b1'，'b2'，...，'bk'}(默认)|字符串数组|字符向量的单元格数组

“ErrorModel”- - - - - -错误方差模型的形式“不变”(默认)|“比例”|“组合”

“ErrorParameters”- - - - - -误差模型参数的初始估计数字数组

“排除”- - - - - -观察排除逻辑或数字索引向量

“选项”- - - - - -控制迭代拟合过程的选项[](默认)|结构

“PredictorVars”- - - - - -预测变量字符串数组|字符向量的单元格数组|逻辑或数字索引向量

“ResponseVar”- - - - - -反应变量最后一列资源描述(默认)|变量名|逻辑或数字索引向量

“VarNames”- - - - - -变量的名字{x1, x2,…,‘xn’,‘y’}(默认)|字符串数组|字符向量的单元格数组

“重量”- - - - - -观察权重的(n, 1)(默认)|非负标量值的向量|函数处理

输出参数

mdl——非线性模型非线性模型对象

更多关于

健壮的选项

算法

参考文献

另请参阅

主题

统计和机器学习工具箱文档

金宝app

掌握机器学习:一步一步的指导与MATLAB

`资源描述`- - - - - -输入数据
表格|数据集的数组

`X`- - - - - -预测变量
矩阵

`y`- - - - - -反应变量
向量

`modelfun`- - - - - -模型的功能形式
函数处理|字符向量或字符串标量公式的形式`＇y～f(b1, b2,…,bj, x1, x2,…,xk)”`

`beta0`- - - - - -系数
数值向量

`“CoefficientNames”`- - - - - -模型系数的名称
`{'b1'，'b2'，...，'bk'}`(默认)|字符串数组|字符向量的单元格数组

`“ErrorModel”`- - - - - -错误方差模型的形式
`“不变”`(默认)|`“比例”`|`“组合”`

`“ErrorParameters”`- - - - - -误差模型参数的初始估计
数字数组

`“排除”`- - - - - -观察排除
逻辑或数字索引向量

`“选项”`- - - - - -控制迭代拟合过程的选项
[](默认)|结构

`“PredictorVars”`- - - - - -预测变量
字符串数组|字符向量的单元格数组|逻辑或数字索引向量

`“ResponseVar”`- - - - - -反应变量
最后一列`资源描述`(默认)|变量名|逻辑或数字索引向量

`“VarNames”`- - - - - -变量的名字
`{x1, x2,…,‘xn’,‘y’}`(默认)|字符串数组|字符向量的单元格数组

`“重量”`- - - - - -观察权重
`的(n, 1)`(默认)|非负标量值的向量|函数处理

`mdl`——非线性模型
`非线性模型`对象