评估曲线拟合

打开直播脚本

此示例显示如何使用曲线拟合。

负荷数据与拟合多项式曲线

负载人口普查curvefit = fit（cdate，pop，“poly3”，“正常化”，“上”）

系数(95%置信限):p1 = 0.921 (-0.9743, 2.816) p2 = 25.18 (23.57, 26.79) p3 = 73.86 (70.33, 77.39) p4 = 61.74 (59.69, 63.8)

输出显示拟合模型方程、拟合系数和拟合系数的置信界限。

绘制拟合、数据、残差和预测界限

情节(curvefit cdate流行)

图中包含一个坐标轴。轴线包含2个线型对象。这些对象代表数据，拟合曲线。

绘制残差拟合图。

情节(curvefit cdate、流行、“残差”）

图中包含一个坐标轴。轴线包含2个线型对象。这些对象表示数据，零线。

绘制拟合的预测界限。

情节(curvefit cdate、流行、“predfunc”）

图中包含一个坐标轴。轴包含4个线型对象。这些对象代表数据、拟合曲线、预测边界。

在指定点计算拟合值

通过指定的值来计算在特定点上的适合度x，使用此表格：y = fittedmodel (x)．

curvefit (1991)

ans = 252.6690.

评估多点的拟合值

评估价值矢量的模型以推断到2050年。

XI =（2000：10：2050）。';Curvefit（xi）

ans =6×1276.9632 305.4420 335.5066 367.1802 400.4859 435.4468

获得这些值的预测界限。

ci = predint（curvefit，xi）

ci =6×2267.8589 286.0674 294.3070 316.5770 321.5924 349.4208 349.7275 384.6329 378.7255 422.2462 408.5919 462.3017

在外推拟合范围内绘制拟合和预测区间。默认情况下，拟合是在数据范围内绘制的。要查看从匹配中推断出的值，在绘制匹配之前将坐标轴的x上限设置为2050。要绘制预测区间，使用predobs或者predfun作为情节类型。

情节（Cdate，Pop，'o'）XLIM（[1900,2050]）持有在绘图（曲线装，“predobs”） 抓住离开

图中包含一个坐标轴。轴包含4个线型对象。这些对象代表拟合曲线，预测界限。

得到模型方程

输入适合名称以显示拟合系数的模型方程，装配系数和置信度。

curvefit

系数(95%置信限):p1 = 0.921 (-0.9743, 2.816) p2 = 25.18 (23.57, 26.79) p3 = 73.86 (70.33, 77.39) p4 = 61.74 (59.69, 63.8)

要得到模型方程，请使用公式．

公式(curvefit)

= 'p1*x^ 2 + p2*x^2 + p3*x + p4'

获取系数名称和值

通过名称指定一个系数。

p1 = curvefit.p1.

p1 = 0.9210

p2 = curvefit.p2.

P2 = 25.1834.

得到所有系数的名称。看看拟合方程(例如，f (x) = p1 * x ^ 3 +……)来查看每个系数的模型项。

coeffnames (curvefit)

ans =4 x1细胞{'p1'} {'p2'} {'p3'} {'p4'}

获取所有系数值。

Coffvalues（Curvefit）

ans =1×40.9210 25.1834 73.8598 61.7444

在系数上获得信心范围

在系数上使用置信度界限来帮助您评估和比较适合。系数上的置信度界限决定了它们的准确性。相距甚远的界限表明不确定性。如果界限交叉零用于线性系数，这意味着您无法确定这些系数与零不同。如果某些模型术语具有零系数，则它们并不适合。

confint (curvefit)

ans =2×4.-0.9743 23.5736 70.3308 59.6907 2.8163 26.7931 77.3888 63.7981

检查拟合优度统计

要获得命令行的良好统计数据，您可以：

打开曲线拟合app并选择适合>保存到工作区将适合和良好的适合作为工作区出口。
指定gof使用适合函数。

重新创造配合指明gof和输出参数获取拟合统计和拟合算法信息。

[CurveFit，GOF，输出] = FIT（CDate，POP，“poly3”，“正常化”，“上”）

系数(95%置信限):p1 = 0.921 (-0.9743, 2.816) p2 = 25.18 (23.57, 26.79) p3 = 73.86 (70.33, 77.39) p4 = 61.74 (59.69, 63.8)

gof =结构与字段：Sse: 149.7687 rsquare: 0.9988 dfe: 17 adjrsquare: 0.9986 rmse: 2.9682

输出=结构与字段：nummobs: 21 numparam: 4 residuals: [21x1 double] Jacobian: [21x4 double] exitflag: 1 algorithm: 'QR分解和求解' iterations: 1

绘制残留的直方图，以寻找大致正常的分布。

直方图(output.residuals, 10)

图中包含一个坐标轴。轴包含类型直方图的对象。

绘制拟合，数据和残差

情节(curvefit cdate、流行、“健康”，“残差”传说)位置西南次要情节(2,1,1)传奇位置西北

图包含2个轴。轴1包含2个类型的2个物体。这些对象代表数据，拟合曲线。轴2包含2个类型的2个物体。这些对象表示数据，零线。

找到方法

列出每一个适合你的方法。

方法（Curvefit）

方法CFIT类：Argnames unfint公式Numcoeffs SetOptions类别Depenname Indepnames绘图类型CFIT差异集成预测COEffnames Feval Islinequens Coffvalues Fitoptions Numargs Probalues

使用帮助命令找出如何使用合适的方法。

帮助cfit /区分

区分差异化拟合结果对象。Deriv1 = Scensyiate（fitobj，x）将模型fitobj与x指定的点区分开来，并返回deriv1的结果。fitobj是由拟合或CFIT功能生成的适合对象。x是矢量。Deriv1是与x的尺寸相同的向量。数学上讲，deriv1 = d（fitobj）/ d（x）。[deriv1，deriv2] =分化（fitobj，x）分别计算型号fitobj的第一和第二导数，deriv1和deriv2。另见CFIT /集成，适合CFIT。