fitoptions

创建或修改合适对象的选择

折叠所有页面

语法

fitOptions = fitoptions

fitOptions = fitOptions (libraryModelName)

fitOptions = fitoptions（libraryModelName，名称，值）

fitOptions = fitOptions (fitType)

fitOptions = fitoptions（名称，值）

newOptions = fitoptions（fitOptions，名称，值）

newOptions = fitoptions（选项1，选项2）

描述

例子

fitOptions= fitoptions创建默认的fit选项对象fitOptions。

例子

fitOptions= fitoptions（libraryModelName)为库创建模型的默认选项适合对象。

例子

fitOptions= fitoptions（libraryModelName,名称,值)创建一个或多个指定使用附加选项指定库模型拟合选项名称,值对参数。

例子

fitOptions= fitoptions（fitType)获取指定的fit选项对象fitType。使用此语法处理自定义模型的fit选项。

例子

fitOptions= fitoptions（名称,值)用一个或多个指定的附加选项创建fit选项名称,值对参数。

例子

newOptions= fitoptions（fitOptions,名称,值)修改现有的适合选择对象fitOptions并返回更新的fit选项newOptions由一个或多个指定的新选项名称,值对参数。

例子

newOptions= fitoptions（选项1,选项2)结合现有的适合选择对象选项1和选项2在newOptions。

如果方法一致时，非空值在属性选项2覆盖相应的值选项1在newOptions。
如果方法不同，newOptions包含选项1值方法和值选项2为正常化,排除和权重。

例子

全部折叠

修改默认的Fit选项来规范化数据

开立真实脚本

创建默认的选项合适对象，并设置选项中心及装修前缩放数据。

选项= fitoptions;options.Normal =“上”

options = Normalize: 'on'排除:[1x0 double]权值:[1x0 double]方法:'None'

创建高斯拟合默认飞度选项

开立真实脚本

选项= fitoptions（“gauss2”)

选项=规格化： '断开' 排除：[]重量：[]方法： 'NonlinearLeastSquares' 鲁棒： '关' StartPoint可以：[1X0双]下限：[-Inf -Inf 0 -Inf -Inf 0]上：[1X0双]算法： '信赖域' DiffMinChange：1.0000e-08 DiffMaxChange：0.1000显示： '通知' MaxFunEvals：600 MAXITER：400 TolFun：1.0000e-06 TolX：1.0000e-06

集合多项式拟合选项

开立真实脚本

为三次多项式创建拟合选项，并设置中心和比例和稳健的拟合选项。

选项= fitoptions（'POLY3',“正常化”,“上”,'强大的','Bisquare')

方法:'LinearLeastSquares'鲁棒性:'Bisquare' Lower: [1x0 double] Upper: [1x0 double]

为线性最小二乘法创建适合的选项

开立真实脚本

选项= fitoptions（'方法',“LinearLeastSquares”)

options = Normalize: 'off' Exclude: [] Weights: [] Method: 'LinearLeastSquares'鲁棒性:'off' Lower: [1x0 double] Upper: [1x0 double]

在多个配合中使用相同的配合选项

开立真实脚本

修改默认选项适合对象时，你要设置的是有用的正常化,排除，要么权重属性，然后用适合用不同的拟合方法相同的选项，你的数据。例如，下面使用相同的拟合选项，以适应不同的库模型类型。

负载人口普查选项= fitoptions;options.Normalize =“上”;F1 =拟合（CDATE，流行，'POLY3'、选择);f2 =适合(cdate、流行、'EXP1'、选择);F3 =拟合（CDATE，流行，“cubicspline”，选项）

F3 =三次插值样条：F3（x）=分段多项式计算从p其中x由平均1890归一化和std 62.05系数：P =系数结构

查找和更改平滑调整选项

开立真实脚本

查找平滑参数。依赖于数据的拟合选项，如光滑的参数在的第三输出参数返回适合函数。

负载人口普查并[f，GOF，出] =拟合（CDATE，POP，“SmoothingSpline”);smoothparam = out.p

smoothparam = 0.0089

修改一个新的符合预设平滑参数。

选项= fitoptions（'方法',“SmoothingSpline”,...“SmoothingParam”，0.0098）;并[f，GOF，出] =拟合（CDATE，POP，“SmoothingSpline”、选择);

应用系数界限来改进高斯拟合

开立真实脚本

创建一个高斯拟合，检查置信区间，并指定下界适合选项，以帮助算法。

创建的两个高斯峰，一个具有小的宽度，和一用一大的宽度的嘈杂总和。

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)

使用两项高斯库模型拟合数据。

礼物=适合(x, gdata“gauss2”)

gfit =通用模型Gauss2：gfit（X）= A1 * EXP（ - （（X-B1）/ C1）^ 2）+ A2 * EXP（ - （（X-B2）/ C2）^ 2）系数（用95％置信界限）：A1 = -0.1451（-1.486，1.195）B1 = 9.725（-14.71，34.15）C1 = 7.117（-15.84，30.07）A2 = 14.08（-1.961e + 04，+ 1.964e 04）B2 =607.3（-3.196e + 05，+ 3.209E 05）C2 = 376（-9.744e + 04，+ 9.819e 04）

情节（gfit，X，GDATA）

该算法有困难，如由宽置信区间几个系数表示。

为了帮助算法，指定非负振幅的下界a1和a2和宽度c1,c2。

选项= fitoptions（“gauss2”,'降低'， [0 - inf0 0 - inf0]);

另外，您也可以使用表格设置的拟合选项的属性options.Property = NewPropertyValue。

选项= fitoptions（“gauss2”);选项。下= [0 - inf0 0 - inf0];

重新计算使用该系数，绑定约束契合。

礼物=适合(x, gdata“gauss2”，选项）

gfit =通用模型Gauss2：gfit（X）= A1 * EXP（ - （（X-B1）/ C1）^ 2）+ A2 * EXP（ - （（X-B2）/ C2）^ 2）系数（用95％置信界限）：A1 = 1.005（0.966，1.044）B1 = -1（-1.002，-0.9988）C1 = 0.0491（0.0469，0.0513）A2 = 0.9985（0.9958，1.001）B2 = 0.8059（0.3879，1.224）C2 =50.6（46.68，54.52）

情节（gfit，X，GDATA）

这是一个更加适合。您可以通过在合适的选择对象的其他属性分配合理值进一步完善适合。

复制并结合飞度选项

开立真实脚本

创建合适的选项，并设置下限。

选项= fitoptions（“gauss2”,'降低'，[0 -Inf 0 0 -Inf 0]）

option = Normalize: 'off' Exclude: [] Weights: [] Method: 'NonlinearLeastSquares' Robust: 'off' StartPoint: [0 -Inf 00 -Inf 0] Upper: [1x0 double]算法:'Trust-Region' DiffMinChange: 1.0000e-08 DiffMaxChange: 0.1000显示:'Notify' MaxFunEvals: 600 MaxIter: 400 TolFun: 1.0000e-06 TolX: 1.0000e-06

创建fit选项的新副本并修改鲁棒参数。

newoptions = fitoptions(选项,'强大的','Bisquare')

newoptions =规格化： '断开' 排除：[]重量：[]方法： 'NonlinearLeastSquares' 鲁棒： 'Bisquare' StartPoint可以：[1X0双]下：[0 -Inf 0 0 -Inf 0]上：[1X0双]算法： '信赖域' DiffMinChange：1.0000e-08 DiffMaxChange：0.1000显示： '通知' MaxFunEvals：600 MAXITER：400 TolFun：1.0000e-06 TolX：1.0000e-06

结合适合的选择。

选项2 = fitoptions（选项，newoptions）

选项2 =规格化： '断开' 排除：[]重量：[]方法： 'NonlinearLeastSquares' 鲁棒： 'Bisquare' StartPoint可以：[1X0双]下：[0 -Inf 0 0 -Inf 0]上：[1X0双]算法： '信赖域' DiffMinChange：1.0000e-08 DiffMaxChange：0.1000显示： '通知' MaxFunEvals：600 MAXITER：400 TolFun：1.0000e-06 TolX：1.0000e-06

更改自定义模型适合选项

开立真实脚本

创建一个线性模型fit类型。

融通= fittype ({“x”,“sin (x)”,' 1 '}）

lft =线性模型:lft(a,b,c,x) = a*x + b*sin(x) + c

获取适合类型的适合选项LFT。

FO = fitoptions（LFT）

FO =规格化： '断开' 排除：[]重量：[]方法： 'LinearLeastSquares' 鲁棒： '关' 下限：[1X0双鞋面：[1X0双]

设置normalize fit选项。

fo.Normalize =“上”

'上' 排除：：[]重量：[]方法： 'LinearLeastSquares' 鲁棒： '关' 下限：FO =正常化[1X0双鞋面：[1X0双]

输入参数

全部折叠

`libraryModelName`- - - - - -适合的库模型
特征向量

库模型，指定为字符向量。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）
`'LOWESS'`	局部线性回归（表面）

有关库模型名称列表，请参见型号名称和方程。

例子:'POLY2'

数据类型：字符

`fitType`- - - - - -适合的模型类型
`fittype`

要匹配的模型类型，指定为afittype构造与fittype函数。使用它可以使用定制模型的fit选项。

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

算法选项，指定为afitoptions对象使用所创建的fitoptions函数。

`选项1`- - - - - -算法选项结合
`fitoptions`

算法选项组合，构造使用fitoptions函数。

`选项2`- - - - - -算法选项结合
`fitoptions`

算法选项组合，构造使用fitoptions函数。

名称-值对的观点

指定可选的逗号分隔的对名称,值参数。名称参数名和值是对应的值。名称必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家。

例子:“方法”、“NonlinearLeastSquares”,“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。

对于所有拟合方法选项

全部折叠

`“正常化”`- - - - - -期权中心和大规模数据
`“关闭”`（默认）|`“上”`

选择居中和缩放数据，指定为逗号分隔对组成的“正常化”和“上”要么“关闭”。

数据类型：字符

`“排除”`- - - - - -点从拟合排除
表达|索引向量|逻辑向量|空

指向从拟合排除，指定为逗号分隔的一对组成的“排除”与之一：

描述逻辑向量的表达式，例如，x > 10。
整数索引要排除的点的载体，例如，(1 10 25)。
所有数据点的逻辑向量真正表示由。创建的离群值excludedata。

举例来说，看到适合。

`“重量”`- - - - - -权重配合
[]（默认）|向量

适合度的权重，指定为逗号分隔的对“重量”和向量的大小相同的数据点的数量。

数据类型：双

`'方法'`- - - - - -拟合方法
`'没有'`（默认）|特征向量

拟合方法，指定为逗号分隔对组成的'方法'这个表中的一种拟合方法。

拟合方法	描述
`'NearestInterpolant'`	最近邻插值
`'LinearInterpolant'`	线性插值
`“PchipInterpolant”`	分段三次埃尔米特插值(仅限曲线)
`'CubicSplineInterpolant'`	三次样条插值
`“BiharmonicInterpolant”`	双调和表面插值
`“SmoothingSpline”`	平滑样条
`'LowessFit'`	LOWESS平滑（表面只）
`“LinearLeastSquares”`	线性最小二乘
`“NonlinearLeastSquares”`	非线性最小二乘

数据类型：字符

平滑选项

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的“SmoothingParam”并且0和1的默认值之间的标量的值取决于所述数据集。仅当该方法是SmoothingSpline。

数据类型：双

`'跨度'`- - - - - -数据点的比例在当地的回归使用
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，指定为逗号分隔对'跨度'和在0和1之间的标量值仅适用如果方法是LowessFit。

数据类型：双

线性和非线性最小二乘选项

全部折叠

`'强大的'`- - - - - -鲁棒线性最小二乘拟合法
`“关闭”`（默认）|`“守护神”`|`'Bisquare'`

稳健线性最小二乘拟合方法，指定为逗号分隔的一对组成的'强大的'其中一个价值是:

“守护神”指定的最小绝对残差方法。
'Bisquare'指定bisquare权重方法。

当可用方法是LinearLeastSquares要么NonlinearLeastSquares。

数据类型：字符

`'降低'`- - - - - -系数上下限应安装
[]（默认）|向量

上的系数下限被装配，指定为逗号分隔的一对组成的'降低'和的矢量。默认值是空载体，指示该拟合是通过下限不受约束。如果指定的边界，矢量长度必须等于系数的数目。通过查找条目在矢量值系数的顺序coeffnames函数。例如，参见适合。可以指定单个无约束下界负。

当可用方法是LinearLeastSquares要么NonlinearLeastSquares。

数据类型：双

`“上”`- - - - - -拟合系数的上界
[]（默认）|向量

要拟合的系数的上界，指定为逗号分隔对“上”和的矢量。默认值是空载体，指示该拟合是通过上界约束。如果指定的边界，矢量长度必须等于系数的数目。通过查找条目在矢量值系数的顺序coeffnames函数。例如，参见适合。个别不受约束上限可通过指定+正。

当可用方法是LinearLeastSquares要么NonlinearLeastSquares。

数据类型：逻辑

非线性最小二乘选项

全部折叠

`'起点'`- - - - - -对于系数的初始值
[]（默认）|向量

这些系数的初始值，指定为逗号分隔的一对组成的'起点'和的矢量。通过查找条目在矢量值系数的顺序coeffnames函数。例如，参见适合。

如果没有起点（空载体的默认值）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)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重拟合可能导致不同的拟合系数。若要避免此情况，请指定系数的初值和起点财产。