Главная страница Случайная страница
Разделы сайта
АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника
Полиномиальная регрессия
|
|
Используйте функцию regress, когда нужно получить единственный полином произвольной степени, чтобы приблизить все данные. Не рекомендуется делать степень аппроксимирующего полинома выше 4 - 6, поскольку погрешности реализации регрессии сильно возрастают.
| regress(vx, vy, n) | Возвращает вектор vs, требуемый interp (см. Лабораторную работу № 3), чтобы найти полином порядка n, который наилучшим образом приближает данные из vx и vy. |
Пример 1 Рисунка 6 иллюстрирует использование функции regress. Так как regress приближает все точки данных, используя один полином, это не дает хороший результат, когда данные не связаны единой полиномиальной зависимостью.
Функция loess облегчает эти проблемы, выполняя локальное приближение. Вместо одного полинома loess создает различные полиномы второго порядка в зависимости от расположения на кривой (см. Пример 2 Рисунка 6).
| loess (vx, vy, span) | Возвращает вектор vs, требуемый interp, чтобы найти набор полиномов второго порядка, которые наилучшим образом приближают определенные окрестности выборочных точек, определенных в векторах vx и vy. Аргумент span > 0 определяет, насколько большие окрестности loess будет использовать при выполнении локального приближения. |
Рис. 6. Полиномиальная регрессия
Обобщенная регрессия
Линейная или полиномиальная регрессия не во всех случаях подходят для описания зависимости данных. Бывает, что нужно искать эту зависимость в виде линейных комбинаций произвольных функций, ни одна из которых не является полиномом. Если предполагается, что данные могли бы быть смоделированы в виде линейной комбинации произвольных функций
f (х) = a 0 f 0(x) + a 1 f 1(x) +... + an fn (x),
следует использовать linfit, чтобы вычислить ai. Это так называемая линейная регрессия общего вида (Пример 1 Рисунка 7).
Рис. 7. Обобщенная регрессия
| linfit(vx, vy, F) | Возвращает вектор коэффициентов линейной регрессии общего вида, чтобы создать линейную комбинацию функций из F, дающую наилучшую аппроксимацию данных из векторов vx и vy. F - функция-вектор, состоящая из функций, которые нужно объединить в виде линейной регрессии. |
Если данные должны быть смоделированы в виде
f (х) = f (x, u 0, u 1 ,..., un),
нужно использовать функцию genfit, чтобы найти неизвестные параметры ui. Это нелинейная регрессия общего вида (Пример 2 Рисунка 7).
| genfit(vx, vy, vg, F) | Возвращает вектор n параметров u 0, u 1 ,..., un -1, которые обеспечивают наилучшее приближение данных из vx и vy функцией f, зависящей от х и параметров u 0, u 1 ,..., un- 1. F - функция-вектор, состоящая из f и ее частных производных (вот здесь-то и пригодятся средства символьной математики (Подробнее см. Лабораторную работу 5)) относительно параметров. vg - n -мерный вектор начальных значений для n параметров. |
|
|