【Matlab】线性最小二乘拟合

什么是拟合？

简单来说：拟合就是用一个函数，尽量“逼近”一组数据点。

比如：

有一天早上，小明饿坏了，开始狂吃包子。

你在旁边默默记录了他每分钟吃的包子总数：

这些点不完全在一条直线上，但你知道小明吃包子的速度是越来越快的。
你想找一个函数（比如一个二次函数）来“表示”这些数据。

于是，你选择一个函数，然后让它“尽可能靠近”这些点，这个过程就叫拟合。

线性最小二乘拟合

什么是线性最小二乘拟合？

全称叫：

用最小化误差平方和的方法，来拟合一条最优的线性函数。

简单解释就是，我们要进行拟合，但是拟合后的结果会有误差，我们通过让误差平方和最小来找到最优的线性函数。这就是最小二乘法。

这是最基本的一种数据拟合方法，其核心思想是：

用一条“最接近”数据点的直线（或函数）去拟合这些数据，使得所有点到这条线的“垂直距离的平方和”最小。

通俗来说，就是你给我一堆点，我想画一条线穿过这些点，但点未必都能刚好落在线上，于是我尽量让这些点“平均离线近一点”。

MATLAB的线性最小二乘拟合中，用的比较多的就是多项式拟合。

多项式拟合

什么是多项式拟合？

当你用的“函数”不仅是一条直线，而是高次多项式函数时，就叫多项式拟合。

比如：

拟合二次函数

命令为：

A=polyfit(x,y,m)

其中

含义为对数据 (x,y) 拟合一个m次多项式，返回一个多项式的系数向量 A。

用你刚才拟合出来的多项式 A，在 x 处求对应的 y，用下面这个命令：

y=polyval(A,x)

练习1

对下面一组数据作二次多项式拟合：

代码：

x=0:0.1:1;%x从0到1变化，每次增加0.1
y=[-0.047 1.978 3.28 6.16 7.08 7.34 7.66 9.56 9.48 9.30 11.2];
A=polyfit(x,y,2);%对数据（x,y）进行2次项的多项式拟合
z=polyval(A,x);
plot(x,y,'k+',x,z,'r');%做出数据点和拟合曲线的图形

结果展示：

A=
   -9.1115
   19.2482
    0.2005