Помощничек
Главная | Обратная связь


Археология
Архитектура
Астрономия
Аудит
Биология
Ботаника
Бухгалтерский учёт
Войное дело
Генетика
География
Геология
Дизайн
Искусство
История
Кино
Кулинария
Культура
Литература
Математика
Медицина
Металлургия
Мифология
Музыка
Психология
Религия
Спорт
Строительство
Техника
Транспорт
Туризм
Усадьба
Физика
Фотография
Химия
Экология
Электричество
Электроника
Энергетика

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 рис. 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 на рис. 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) = a0 f0(x) + a1 f1(x) + . . . + an fn(x),

следует использовать linFit, чтобы вычислить ai. Это так называемая линейная регрессия общего вида (пример 1 на рис. 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, u0, u1, . . ., un),

нужно использовать функцию genFit, чтобы найти неизвестные параметры ui. Это нелинейная регрессия общего вида (пример 2 на рис. 7).

 

genFit(vx, vy, vg, F) Возвращает вектор n параметров u0, u1, . . ., un-1, которые обеспечивают наилучшее приближение данных из vx и vy функцией f, зависящей от х и параметров u0, u1, . . ., un-1. F – функция-вектор, состоящая из f и ее частных производных ( здесь пригодятся средства символьной математики (Подробнее см. лабораторную работу №5 )) относительно параметров. vg – n-мерный вектор начальных значений для n параметров.

Сглаживание

Сглаживание предполагает использование набора значений у (и возможно x) и возвращение нового набора значений у, который является более гладким, чем исходный набор. В отличие от регрессии и интерполяции, сглаживание приводит к новому набору значений у, а не к функции, которая может оценивать значения между заданными точками данных.

ksmooth(vx,vy, b) Возвращает n-мерный вектор, созданный сглаживанием при помощи гауссова ядра данных из n-мерного вектора vy. Параметр b управляет окном сглаживания и должен быть в несколько раз больше величины интервала между точками х.
medsmooth(vy, m) Возвращает n-мерный вектор, созданный сглаживанием n – мерного вектора vy с помощью скользящей медианы. m – ширина окна, по которому происходит сглаживание, причем m должно быть нечетным числом и m < n.
supsmooth(vx,vy) Возвращает n-мерный вектор, созданный локальным использованием симметричной линейной процедуры сглаживания МНК.

 




©2015 studopedya.ru Все права принадлежат авторам размещенных материалов.