建立汽车里程作为重量函数的非线性模型，并预测响应。

创建一个指数模型的汽车里程作为一个函数的重量carsmall数据。将权重按1000的倍数计算，以便所有变量的大小大致相等。

负载carsmallX =重量;y = MPG;modelfun ='y ~ b1 + b2*exp(-b3*x/1000)'；β = [1 1 1];mdl = fitnlm (X, y, modelfun beta0);

创建对数据的预测响应。

Xnew = X;Xnew ypred =预测(mdl);

绘制原始反应和预测反应，看看它们有何不同。

情节(X, y,“o”, X, ypred“x”)传说(“数据”，“预测”）

建立汽车里程作为重量函数的非线性模型，并检查一些响应的置信区间。

创建一个指数模型的汽车里程作为一个函数的重量carsmall数据。将权重按1000的倍数计算，以便所有变量的大小大致相等。

负载carsmallX =重量;y = MPG;modelfun ='y ~ b1 + b2*exp(-b3*x/1000)'；β = [1 1 1];mdl = fitnlm (X, y, modelfun beta0);

创建对最小、平均和最大数据点的预测响应。

Xnew = [min (X);意味着(X),马克斯(X));[ypred,开办]=预测(mdl Xnew)

ypred =3×134.9469 22.6868 10.0617

开办=3×232.5212 37.3726 21.4061 23.9674 7.0148 13.1086

从非线性回归模型生成样本数据

在哪里 $$b_1$$， $$b_2$$, $$b_{3.}$$是系数，还是误差项 $$ϵ$$正态分布，均值为0，标准差为0.5。

modelfun = @ (b, x) (b (1) + (2) * exp (- b (3) * x));rng (“默认”）%的再现性b = [1; 3; 2);x = exprnd (2100 1);Y = modelfun(b,x) + normrnd(0,0.5,100,1);

使用稳健拟合选项拟合非线性模型。

选择= statset (“nlinfit”）;选择。RobustWgtFun =“bisquare”；b0 = (2; 2; 2);mdl = fitnlm (x, y, modelfun b0,“选项”、选择);

绘制拟合的回归模型和同时的95%置信界限。

xrange = [min (x): . 01:马克斯(x)) ';[ypred,开办]=预测(mdl xrange,“同时”,真正的);图()图(x, y,“柯”）%观测数据持有在情节(xrange ypred,“k”，“线宽”2)图(xrange,开办的,“r——”，“线宽”, 1.5)

加载示例数据。

S =负载(“反应”）;X = S.reactants;y = S.rate;beta0 = S.beta;

为观察权值指定一个函数句柄，然后使用指定的观察权函数将Hougen-Watson模型拟合到速率数据。

= 1;b = 1;权重= @(yhat) 1。/ ((a + b * abs (yhat)) ^ 2);mdl = fitnlm (X, y, @hougen beta0,“重量”、重量);

使用观测权函数计算一个新的反应物水平的95%预测区间[100,100,100]。

[ypred,开办]=预测(mdl, [100100100],“预测”，“观察”，．..“重量”、重量)

ypred = 1.8149

开办=1×21.5264 - 2.1033