matlab练习_MATLAB教程-台大郭彦甫-第十四节，含练习答案
14-回歸與內插
一、Polynomial curve fitting（多項式曲線擬合）
（一）Simple Linear Regression（簡單線性回歸）
1、A bunch of data points（
）are collected（收集一些二維數據點）如體重（Height）和身高（Weith）
2、Assume
and are linearly correlated（假設x和y線性相關）（二）Linear Regression Formulation（線性回歸公式）
1、Define sum of squared errors（SSE）：（定義平方誤差之和）
2、Given that the regression model：（假設回歸模型）
（三）Solving Least-squares Problem（最小二乘問題的求解）
1、SSE is minimized when its gradient with respect to each parameter is equal to zero：（當SSE相對于每個參數的梯度等于零時，SSE最小）
聯立二元一次方程式（四）Least-squares Solution（最小二乘解）
1、Suppose there exists N data points：（假設存在N個數據點：）
只有β0和β1是未知，其他均為已知（五）Polynomial Curve Fitting：polyfit（）（多項式曲線擬合）
1、Curve fitting for polynomials of different orders（不同階多項式的曲線擬合）
示例代碼：
x = [-1.2 -0.5 0.3 0.9 1.8 2.6 3.0 3.5]; y = [-15.6 -8.5 2.2 4.5 6.6 8.2 8.9 10.0]; fit = polyfit(x,y,1);%order,1次方的多項式 %poly會產生兩個值fit(1)和fit(2)對應斜率和截距 %% 繪制圖形 xfit = x(1):0.1:x(end); %即xfit = [-1.2 -1.1 -1.0 ... 3.5] yfit = fit(1) * xfit + fit(2); %即y = ax + b plot(x,y,'ro',xfit,yfit); set(gca,'FontSize',14); legend('data points','best-fit','Location','northwest');輸出代碼：
（六）Excise
1、Given the table below：
（1）Find the
和 of the regression line（找到回歸線）（2）Plot the figure
答案代碼：
TC = [0.025 0.035 0.050 0.060 0.080]; T = [20 30 40 50 60]; fit = polyfit(T,TC,1)Tfit = T(1):0.01:T(end); TCfit = fit(1) * Tfit + fit(2); plot(T,TC,'ko',Tfit,TCfit,'r','LineWidth',2); set(gca,'FontSize',14); grid on; set(gca,'GridLineStyle','--'); %設置網格線為虛線 xlabel('Temperature(^oC)'); ylabel('TC output(mV)'); title('Calibration of TC')輸出結果：
（七）Area x and y Linearly Correlated（區域x和y是否線性相關？）
1、If not，the line may not well describe their relationship（擬合的線或許不能很好的描述他們之間關系）
2、Check the linearity by using （檢查他們的線性關系使用）
（1）scatter（）：scatterplot（散點圖）
（2）corrcoef（）：correlation coefficient，-1≤r≤1（相關系數，很強的正相關接近1，很強負相關-1）
示例代碼：
x = [-1.2 -0.5 0.3 0.9 1.8 2.6 3.0 3.5]; y = [-15.6 -8.5 2.2 4.5 6.6 8.2 8.9 10.0]; scatter(x,y);%散點圖 box on; axis square; corrcoef(x,y)%相關系數輸出結果：
注意：
corrcoef(x,y)%相關系數
（八）Higher Order Polynomials（高階多項式）
示例代碼:
x = [-1.2 -0.5 0.3 0.9 1.8 2.6 3.0 3.5]; y = [-15.6 -8.5 2.2 4.5 6.6 8.2 8.9 10.0]; figure('Position',[50 50 1500 400]);%可繪制區域的位置和大小 for i = 1:3subplot(1,3,i);p = polyfit(x,y,i);%多項式曲線擬合 %i = 1:3 分別畫出了1次擬合，2次擬合，3次擬合 %擬合階數越高，平均差值越小xfit = x(1):0.1:x(end);yfit = polyval(p,xfit);%多項式計算plot(x,y,'ro',xfit,yfit);set(gca,'FontSize',14);ylim([-17,11]);legend('Data points','Fitted curve','Location','southeast'); end輸出結果：
注意：
（1）figure('Position',[50501500400]);%可繪制區域的位置和大小
（2） p =polyfit(x,y,i);%多項式曲線擬合
（3）yfit =polyval(p,xfit);%多項式計算
（九）Excise
1、Find the
-order polynomials2、Is it better to use higher order polynomials？（錯，可能過擬合）
答案代碼：
x = [-1.2 -0.5 0.3 0.9 1.8 2.6 3.0 3.5]; y = [-15.6 -8.5 2.2 4.5 6.6 8.2 8.9 10.0]; figure('Position',[50 50 1500 400]); for i = 4:6subplot(1,3,i-3);%由于與order用的是同樣的變量，所以只需減掉多的3階即可p = polyfit(x,y,i);xfit = x(1):0.1:x(end);yfit = polyval(p,xfit);plot(x,y,'ro',xfit,yfit);set(gca,'FontSize',14);ylim([-17,11]);legend('Data points','Fitted curve','Location','southeast'); end輸出結果：
二、Multiple regression（多元回歸）
（一）What If There Exists More Variables？（如果有更多的變量呢？）
1、Equations associated with more than one explanatory variables： （有多個解釋變量的相關方程）
2、Multiple linear regression：regress（）（多元線性回歸）
3、Note：the function given you more statistics（e.g.，R2）of the regression model（該函數為您提供了回歸模型的更多統計信息）
（二）Multiple Linear Regression：regress（）（多元線性回歸）
示例代碼：
load carsmall; y = MPG;%1加侖的汽油可以走多少英里 x1 = Weight;%重量 x2 = Horsepower;%馬力 X = [ones(length(x1),1) x1 x2];%增廣矩陣，第一行為1向量，即常數項 %即y = a + bx1 + cx2 b = regress(y,X);%多元線性回歸%% 繪制圖形 x1fit = min(x1):100:max(x1); x2fit = min(x2):10:max(x2); [X1FIT,X2FIT] = meshgrid(x1fit,x2fit); YFIT = b(1) + b(2) * X1FIT + b(3) * X2FIT; %即y = a + bx1 + cx2 scatter3(x1,x2,y,'filled'); %三維散點圖 %filled表示填充標記 hold on; mesh(X1FIT,X2FIT,YFIT); hold off; xlabel('Weight'); ylabel('Horsepower'); zlabel('MPG'); view(50,10);輸出結果：
注意：
（1）b= regress(y,X)返回向量b，其中包含向量y中的響應對矩陣X中的預測變量的多元線性回歸的系數估計值。要計算具有常數項（截距）的模型的系數估計值，請在矩陣X中包含一個由 1 構成的列。
（三）What If the Equations Area NOT Linear？（如果方程區域不是線性的呢）
1、What are linear equations？（什么是線性方程式）
2、How do we do curve fitting using nonlinear equations？（如何利用非線性方程進行曲線擬合）
（二）DC Motor System Identification（DC馬達系統辨識）
1、For a typical DC motor，the velocity
and displacement profile of a step responses of are（對一個典型的DC馬達，速度和位移關于時間的關系）2、The displacement
profile is：（求位移的方程，三個未知數 ）where
is the time constant（β是時間的常數）（三）Curve Fitting Toolbox：cftool（）（曲線擬合內件）
1、鍵入cftool
三、Interpolation（插值，或稱內插）
（一）Interpolation vs Regression（插值與回歸）
1、Interpolation（插值）
（1）The process of finding an approximation of a function（求函數逼近的過程）
（2）The fit does traverse all known points（擬合會遍歷所有已知點）
2、Regression（回歸）
（1）The process of finding a curve of best fit（尋找最佳擬合曲線的過程）
（2）The fit generally does not pass through the data points（擬合通常不通過數據點）
（二）Common Interpolation Approaches（常用插值方法）
1、piecewise linear interpolation（分段線性插值）
2、piecewise cubic polynomial interpolation（分段三次多項式插值）
3、Cubic spline interpolation（三次樣條插值）
（三）Linear Interpolation：interp1（）（線性插值）
示例代碼：
%% 構造分散點 x = linspace(0,2 * pi,40);%在0到2pi之間生成間隔相同的40個點 x_m = x; x_m([11:13,28:30]) = NaN;%手動將11-13，28-30這6個點變為空，制造下圖中的斷點 y_m = sin(x_m); %% 繪制圖形 plot(x_m,y_m,'ro','MarkerFaceColor','r'); xlim([0,2*pi]); ylim([-1.2,1.2]); box on; %set(gca,'FontName','symbol','FontSize',16);高版本不需要這一句 set(gca,'XTick',0:pi/2:2*pi); set(gca,'XTickLabel',{'0','pi/2','pi','3pi/2','2pi'}); %% 內插 m_i = ~isnan(x_m); %'~':表示取非，這里是將右邊判斷空值所形成的數組取非后賦值給左邊 %isnan():確定哪些數組元素為 NaN y_i = interp1(x_m(m_i),...y_m(m_i),x); %interp1():一維數據插值（表查找） hold on; plot(x,y_i,'-b',...'LineWidth',2); hold off;輸出結果：
注意：
（1）‘~’表示取非，這里是將右邊判斷空值所形成的數組取非后賦值給左邊
（2）TF= isnan(A)返回一個邏輯數組，其中的1(true) 對應A中的NaN元素，0(false) 對應其他元素。如果A包含復數，則isnan(A)中的1對應實部或虛部為NaN值的元素，0對應實部和虛部均非NaN值的元素。
（3）vq = interp1(x,v,xq) 使用線性插值返回一維函數在特定查詢點的插入值。向量 x 包含樣本點，v 包含對應值 v(x)。向量 xq 包含查詢點的坐標。
如果您有多個在同一點坐標采樣的數據集，則可以將 v 以數組的形式進行傳遞。數組 v 的每一列都包含一組不同的一維樣本值。
（四）Spline Interpolation：spline（）（樣條插值）
示例代碼：
x = linspace(0,2 * pi,40); x_m = x; x_m([11:13,28:30]) = NaN; y_m = sin(x_m); plot(x_m,y_m,'ro','MarkerFaceColor','r');%繪制散點圖 xlim([0,2*pi]); ylim([-1.2,1.2]); box on; %set(gca,'FontName','symbol','FontSize',16);高版本不需要這一句 set(gca,'XTick',0:pi/2:2*pi); set(gca,'XTickLabel',{'0','pi/2','pi','3pi/2','2pi'}); %% 內插 m_i = ~isnan(x_m); y_i1 = spline(x_m(m_i),y_m(m_i),x);%使用內插值線段連接 y_i2 = interp1(x_m(m_i),y_m(m_i),x);%使用樣條差值連接 hold on; plot(x,y_i1,'-b','LineWidth',2);% plot(x,y_i2,'-g','LineWidth',2); hold off; h = legend('Original','Linear','Spline'); set(h,'FontName','Times New Roman');輸出結果：
（五）What Are Splines？
1、Piecewise polynomial functions（分段多項式函數）
（六）Excise
1、Fit the data using linear lines and cubic splines（用直線和三次樣條擬合數據）
答案代碼：
x = [0 0.25 0.75 1.25 1.5 1.75 1.875 2 2.125 2.25]; y = [1.2 1.18 1.1 1 0.92 0.8 0.7 0.55 0.35 0]; x_i = 0:0.1:2.5; hold on plot(x,y,'bo');%繪制散點圖 xlim([0,2.5]); ylim([0,1.4]); box on; y_i1 = interp1(x,y,x_i);%使用內插值線段連接 y_i2 = interp1(x,y,x_i,'spine');%使用樣條差值連接 plot(x_i,y_i2,'r','linewidth',1); plot(x_i,y_i1,'c'); xlabel('x(ft)'); ylabel('y(ft)'); title('Data & Fit Model'); set(gca,'fontsize',14); legend('Data','Linear','Spline') hold off輸出結果：
（七）Cubic Spline vs. Hermite Polynomial（三次樣條曲線與埃爾米特多項式）
1、p = pchip(x,y,t);：Hermite Polynomial，埃爾米特多項式
最大的不同在于，埃爾米特多項式在點和點連接曲線不會片離連接的線段
埃爾米特多項式_百度百科?baike.baidu.com示例代碼：
x = -3:3; y = [-1 -1 -1 0 1 1 1]; t = -3:.01:3; s = spline(x,y,t);%spline多項式 p = pchip(x,y,t);%埃爾米特多項式 hold on; plot(x,y,'ro','MarkerFaceColor','r'); plot(t,s,':g','LineWidth',2); plot(t,p,'--b','LineWidth',2); hold off; box on; set(gca,'FontSize',16); h = legend('Original','Spline','Hermite','Location','northwest'); %注意，標的順序與繪圖的先后順序相同輸出結果：
（八）2D Interpolation：interp2（）（二維插值）
示例代碼：
%% 原本的數據圖 subplot(1,2,1); xx = -2:.5:2; yy = -2:.5:3; [X,Y] = meshgrid(xx,yy); Z = X .* exp(-X .^ 2 - Y .^ 2); surf(X,Y,Z); hold on; plot3(X,Y,Z+0.01,'ok',...'MarkerFaceColor','r') title('Origin');%% 線性內插 subplot(1,2,2); xx_i = -2:.1:2; yy_i = -2:.1:3; [X_i,Y_i] = meshgrid(xx_i,yy_i); Z_i = interp2(xx,yy,Z,X_i,Y_i); surf(X_i,Y_i,Z_i); hold on; plot3(X,Y,Z+0.01,'ok',...'MarkerFaceColor','r') title('Linear');輸出結果：
（九）2D Interpolation Using Spline（端點處圓潤很多）
示例代碼：
xx = -2:.5:2; yy = -2:.5:3; [X,Y] = meshgrid(xx,yy); Z = X .* exp(-X .^ 2 - Y .^ 2); xx_i = -2:.1:2; yy_i = -2:.1:3; [X_i,Y_i] = meshgrid(xx_i,yy_i); Z_e = interp2(xx,yy,Z,X_i,Y_i,'cubic'); surf(X_i,Y_i,Z_e); hold on; plot3(X,Y,Z+0.01,'ok',...'MarkerFaceColor','r') title('Spline');輸出結果：
第十四節結束
總結
以上是生活随笔為你收集整理的matlab练习_MATLAB教程-台大郭彦甫-第十四节，含练习答案的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 如何避免家里的厨房油烟机油腻？
- 下一篇： 50瓷砖背胶的价格是多少？贵的有哪些高端