이페이지의최신내용은아직번역되지않았습니다。최신내용은영문으로볼수있습니다。
fitnlm
비선형회귀모델피팅
구문
설명
예제
테이블에서비선형모델만들기
carbig데이터를기반으로자동차주행거리에대한비선형모델을만듭니다。
데이터를불러오고비선형모델을만듭니다。
加载carbigTBL =表（马力，体重，MPG）;modelfun = @（B，X）B（1）+ B（2）* X（：，1）。^ B（3）+...B（4）* X（：，2）。^ B（5）;beta0 = [-50 500 -1 500 -1];MDL = fitnlm（TBL，modelfun，beta0）
mdl =非线性回归模型:MPG ~ b1 + b2 *马力^ ^ b3 + b4 *重量b5估计系数:估计SE tStat pValue ________ _________说b1 -49.383 119.97 -0.41164 0.68083 b2 376.43 -0.78193 0.47168 -1.6578 0.098177 567.05 0.66384 0.50719 b3 b4 b5 -0.24127 0.48325 -0.49926 0.58656 422.37 776.02 0.54428 0.61788的观测数量:392年,错误自由度:387根均方误差:3.96平方:0.745,调整平方0.743 f统计量与常数模型:283, p值= 1.79e-113
행렬데이터에서비선형모델만들기
carbig데이터를기반으로자동차주행거리에대한비선형모델을만듭니다。
데이터를불러오고비선형모델을만듭니다。
加载carbigX = [马力，重量];Y = MPG;modelfun = @（B，X）B（1）+ B（2）* X（：，1）。^ B（3）+...B（4）* X（：，2）。^ B（5）;beta0 = [-50 500 -1 500 -1];MDL = fitnlm（X，Y，modelfun，beta0）
mdl =非线性回归模型:y ~ b1 x1 + b4 * ^ b3 x2 + b2 * ^ b5估计系数:估计SE tStat pValue ________ _________说b1 -49.383 119.97 -0.41164 0.68083 b2 376.43 -0.78193 0.47168 -1.6578 0.098177 567.05 0.66384 0.50719 b3 b4 b5 -0.24127 0.48325 -0.49926 0.58656 422.37 776.02 0.54428 0.61788的观测数量:392年,错误自由度:387根均方误差:3.96平方:0.745,调整平方0.743 f统计量与常数模型:283, p值= 1.79e-113
비선형모델에서피팅옵션조정하기
carbig데이터를기반으로자동차주행거리에대한비선형모델을만듭니다。정확도를높이기위해TolFun옵션을낮추어봅니다。显示옵션을설정하여반복을관측합니다。
데이터를불러오고비선형모델을만듭니다。
加载carbigX = [马力，重量];Y = MPG;modelfun = @（B，X）B（1）+ B（2）* X（：，1）。^ B（3）+...B（4）* X（：，2）。^ B（5）;beta0 = [-50 500 -1 500 -1];
TolFun을낮추고반복표시를보고하는옵션을생성하고,이옵션을사용하여모델을만듭니다。
OPTS = statset（“显示”，'ITER'，“TolFun”，1E-10）;MDL = fitnlm（X，Y，modelfun，beta0，“选项”、选择);
规范标准的迭代SSE梯度步- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 0 1.82248 e + 06年1 678600 45.4738 788810 1691.07 616716 6.12739 e + 06年3 249831 3.9532 e + 06年293.557 4 17675 361544 369.284 11746.6 69670.5 169.079 7242.22 6172.87 - 91622.9 343738 394.822 159719 6250.32 452.941 8 9 10 6077 6957.44 100.208 6076.34 6370.39 88.1905 268.674 11 13 12 6075.75 5199.08 77.9694 6075.3 4646.61 69.764 6074.91 4235.96 - 62.9114 6074.23 - 3571.1 6074.55 3885.28 57.0647 15岁了18 52.0036 16 17 6073.93 3286.48 47.5795 6073.66 3028.34 - 43.6844 6073.4 2794.31 40.2352 19 20 6073.17 2582.15 37.1663 6072.95 2389.68 34.4243 21 23 22 6072.74 2214.84 31.9651 6072.55 2055.78 29.7516 6072.37 1910.83 27.753 26 25 24 6072.21 1778.51 25.9428 6072.05 1657.5 24.2986 6071.9 1546.65 22.8011 6071.76 1444.93 21.4338 6071.63 1351.44 20.1822 28日29日27日31日30 6071.51 1265.39 19.0339 6071.39 1186.06 17.978 6071.28 1112.83 17.0052 32 33 6071.17 1045.13 16.107 6071.07 982.465 15.2762 6070.98 3435 924.389 - 14.5063 6070.89 870.498 13.7916 36 38 37 6070.8 820.434 13.127 6070.72 773.872 12.5081 6070.64 730.521 11.9307 39 41 40 6070.57 690.117 11.3914 6070.5 652.422 10.887 6070.43 617.219 10.4144 42 44 43 6070.37 584.315 9.97114 6070.31 553.53 9.55489 6070.25 524.703 9.1635 45 47 46 6070.19 497.686 8.79506 6070.14 472.345 8.44785 6070.08 448.557 8.12028 50 49 48 6070.03 426.21 7.81092 6069.99 405.201 7.51845 6069.94 385.435 7.2417 51 52 6069.9 366.825 6.97956 6069.85 349.293 6.73104 5355 54 6069.81 332.764 6.49523 6069.77 317.171 6.27127 6069.74 302.452 6.0584 56 58 57 6069.7 288.55 5.85591 6069.66 275.411 5.66315 6069.63 262.986 5.47949 6069.57 240.1 5.13734 6069.6 251.23 5.3044 61 59 63 62 6069.54 229.558 4.97784 6069.51 219.567 4.82545 6069.48 210.094 4.67977 64 6069.45 201.108 4.5404 65 6069.43 192.578 4.407 66 68 67 6069.4 184.479 4.27923 6069.38 176.785 4.15677 6069.35 169.472 4.03935 6069.33 162.518 3.9267 69 70 71 6069.31 155.903 3.81855 6069.29 149.608 3.71468 7274 73 6069.26 143.615 3.61486 6069.24 137.907 3.5189 6069.22 132.468 3.42658 75 6069.21 127.283 3.33774 76 6069.19 122.339 3.25221 77 79 78 6069.17 117.623 3.16981 6069.15 113.123 3.09041 6069.14 108.827 3.01386 80 6069.12 104.725 2.94002 81 6069.1 100.806 2.86877 82 84 83 6069.09 97.0611 2.8 6069.07 93.4814 2.73358 6069.06 90.0583 2.66942 85 6069.05 86.7842 2.60741 86 6069.03 83.6513 2.54745 87 89 88 6069.02 80.6529 2.48947 6069.01 77.7821 2.43338 6068.99 75.0327 2.37908 6068.98 - 72.399 902.32652 91 6068.97 69.8752 2.27561 92 6068.96 67.4561 2.22629 93 95 94 6068.95 65.1367 2.17849 6068.94 62.9122 2.13216 6068.93 60.7784 2.08723 96 6068.92 58.7308 2.04364 97 6068.91 56.7655 2.00135 98 100 99 6068.9 54.8787 1.9603 6068.89 4349.28 18.1917 6068.77 2416.27 14.4439 101 6068.71 1721.26 12.1305 102 104 103 6068.66 1228.78 10.289 6068.63 884.002 8.82019 6068.6 639.615 7.62745 105 6068.58 464.84 6.64627 106 6068.56 338.878 5.82964 107 6068.54 180.879 4.56032 6068.55 247.508 5.14297 108109 6068.53 132.084 4.06194 110 6068.52 96.2341 3.63254 111 113 112 6068.51 69.8362 3.26019 6068.51 50.3734 2.93541 6068.5 36.0205 2.65062 114 6068.5 25.4451 2.39969 115 6068.49 17.6693 2.17764 116 118 117 6068.49 1027.4 14.0164 6068.48 544.038 5.31368 6068.48 94.057 2.86663 119 6068.48 113.636 3.73502 120 6068.48 0.518548 1.37049 121 123 122 6068.48 4.59432 0.91283 6068.48 1.56363 0.629281 6068.48 1.13811 0.432539 124 6068.48 0.295961 0.297507迭代终止:SSE的相对变化小于期权
모델이름구문을사용하여비선형회귀지정하기
함수핸들또는모델구문을사용하여추정을위한비선형회귀모델을지정합니다。
표본데이터를불러옵니다。
S =负载（“反应”）;X = S.reactants;Y = S.rate;beta0 = S.beta;
함수핸들을사용하여반응속도데이터에대해Hougen-Watson모델을지정합니다。
MDL = fitnlm（X，Y，@ hougen，beta0）
MDL =非线性回归模型为：y〜hougen（B，X）的估计系数：估计SE TSTAT p值________ ________ ______ _______ B1 1.2526 0.86701 1.4447 0.18654 B2 0.062776 0.043561 1.4411 0.18753 B3 0.040048 0.030885 1.2967 0.23089 B4 0.11242 0.075157 1.4957 0.17309 B5 1.1914 0.83671 1.4239 0.1923观察数：13，错误自由度：8均方根误差：0.193 R平方：0.999，调整R平方0.998 F统计与零模式：3.91e + 03，p值= 2.54e-13
또는,표현식을사용하여반응속도데이터에대해Hougen-Watson모델을지정할수도있습니다。
myfun ='Y〜（B1 * X2-X3 / B5）/（1个+ B2 * X1 + B3 * X2 + B4 * X3）';mdl2 = fitnlm (X, y, myfun beta0)
MDL2 =非线性回归模型为：y〜（B1 * X2 - X3 / B5）/（1 + B2 * X1 + B3 * X2 + B4 * X3）估计系数：估计SE TSTAT p值________ ________ ______ _______ B1 1.2526 0.86701 1.4447 0.18654 B20.062776 0.043561 1.4411 0.18753 0.040048 B3 0.030885 1.2967 0.23089 0.11242 B4 0.075157 1.4957 0.17309 1.1914 B5 0.83671 1.4239 0.1923观测数：13，自由的误差度：8均方根误差：0.193 R平方：0.999，调整R平方0.998 F-统计与零模式：3.91e + 03，p值= 2.54e-13
로버스트피팅옵션을사용하여비선형회귀추정하기
비선형회귀모델에서표본데이터를생성합니다。
여기서 ， 및 은계수이고，오차항은평균이0이고표준편차가0.5인정규분포를가집니다。
modelfun = @（B，X）（B（1）+ B（2）* EXP（-b（3）* X））;RNG（“默认”）％，持续重现B = [1; 3; 2];X = exprnd（2,100,1）;Y = modelfun（B，X）+ normrnd（0,0.5,100,1）;
로버스트피팅옵션을설정합니다。
OPTS = statset（“nlinfit”）;opts.RobustWgtFun =“bisquare”;
로버스트피팅옵션을사용하여비선형모델을피팅합니다。여기서는표현식을사용하여모델을지정하겠습니다。
B0 = [2; 2; 2];modelstr ='Y〜B1 + B2 * EXP（-b3 * X）';mdl = fitnlm (x, y, modelstr b0,“选项”，OPTS）
MDL =非线性回归模型（鲁棒配合）：Y〜B1 + B2 * EXP（ - B3 * x）的估计系数：估计SE TSTAT p值________ _______ ______ __________ B1 1.0218 0.07202 14.188 2.1344e-25 B2 3.6619 0.25429 14.401 7.974e-26B3 2.9732 0.38496 7.7232 1.0346e-11编号的观察：100，错误自由度：97均方根误差：0.501 R平方：0.807，调整R平方0.803 F统计与常数模型：203，p值= 2.34E-35
가중치함수핸들을사용하여비선형회귀모델피팅하기
표본데이터를불러옵니다。
S =负载（“反应”）;X = S.reactants;Y = S.rate;beta0 = S.beta;
관측값가중치에대한함수핸들을지정합니다。이함수는모델피팅값을입력값으로받고가중치로구성된벡터를반환합니다。
一个= 1;B = 1;权重= @（yhat）1./((a + b *的绝对值（yhat））^ 2）。
지정된관측값가중치함수를사용하여Hougen-Watson모델을반응속도데이터에피팅합니다。
MDL = fitnlm（X，Y，@ hougen，beta0，“权重”、重量)
MDL =非线性回归模型为：y〜hougen（B，X）的估计系数：估计SE TSTAT p值________ ________ ______ _______ B1 0.83085 0.58224 1.427 0.19142 B2 0.04095 0.029663 1.3805 0.20477 B3 0.025063 0.019673 1.274 0.23842 B4 0.080053 0.057812 1.3847 0.20353 B5 1.8261 1.281 1.4256 0.19183观察数：13，错误自由度：8均方根误差：0.037 R平方：0.998，调整R平方0.998 F统计与零模式：1.14E + 03，p值= 3.49e-11
상수가아닌오차모델을사용한비선형회귀모델
표본데이터를불러옵니다。
S =负载（“反应”）;X = S.reactants;Y = S.rate;beta0 = S.beta;
결합된오차분산모델을사용하여Hougen-Watson모델을반응속도데이터에피팅합니다。
MDL = fitnlm（X，Y，@ hougen，beta0，'ErrorModel'，“组合”）
MDL =非线性回归模型为：y〜hougen（B，X）的估计系数：估计SE TSTAT p值________ ________ ______ _______ B1 1.2526 0.86702 1.4447 0.18654 B2 0.062776 0.043561 1.4411 0.18753 B3 0.040048 0.030885 1.2967 0.23089 B4 0.11242 0.075158 1.4957 0.17309 B5 1.1914 0.83671 1.4239 0.1923观察数：13，错误自由度：8均方根误差：1.27 R平方：0.999，调整R平方0.998 F统计与零模式：3.91e + 03，p值= 2.54e-13
입력인수
资源描述-입력데이터
表형|数据集형배열
예측변수와응답변수를포함하는입력데이터로，테이블또는数据集형배열로지정됩니다。예측변수와응답변수는숫자형이어야합니다。
식을사용하여
modelfun을지정하는경우해당식의모델사양에따라예측변수와응답변수가지정됩니다。함수핸들을사용하여
modelfun을지정하는경우기본적으로마지막변수가응답변수이고나머지변수가예측변수입니다。ResponseVar이름——값쌍의인수를사용하여다른열을응답변수로설정할수있습니다。열중일부를예측변수로선택하려면PredictorVars이름 - 값쌍의인수를사용하십시오。
테이블의변수이름은유효한MATLAB®식별자일필요는없습니다。그러나이름이유효하지않으면식을사용하여modelfun을지정할수없습니다。
isvarname함수를사용하여资源描述에포함된변수이름을확인할수있습니다。다음코드는유효한변수이름을갖는각변수에대해논리값1（真正）을반환합니다。
cellfun (@isvarname tbl.Properties.VariableNames)
资源描述에포함된변수이름이유효하지않으면matlab.lang.makeValidName함수를사용하여변수이름을변환하십시오。tbl.Properties.VariableNames = matlab.lang.makeValidName（tbl.Properties.VariableNames）;
데이터형:表
X-예측변수
행렬
예측변수로,nxp행렬로지정됩니다。n은여기서관측값개수이p는고예측변수개수입니다。X의각열은하나의변수를나타내고，각행은하나의관측값을나타냅니다。
데이터형:单|双
ÿ-응답변수
벡터
응답변수로，NX1벡터로지정됩니다。여기서ñ은관측값개수입니다。ÿ의각요소는X의대응행에대한응답변수입니다。
데이터형:单|双
modelfun-모델의함수형식
함수핸들|“ÿ〜F（B1，B2，...，BJ，X1，X2，...，XK）”
ÿF（B1，B2，...，BJ，X1，X2，...，XK）”모델의함수형식으로,다음중하나로지정됩니다。
함수핸들
@또는modelfun@ (b, x)。여기서modelfunb는beta0과요소개수가동일한계수벡터입니다。X는X의열개수또는资源描述의예측변수열과열개수가동일한행렬입니다。
modelfun（B，X）는X와동일한행개수를포함하는열벡터를반환합니다。벡터의각행은이에대응되는X행에대해modelfun을계산한결과입니다。즉，modelfun은모든데이터행에대해연산을수행하고하나의함수호출에서모든계산을반환하는벡터화된함수입니다。modelfun은유의미한계수를얻기위해실수를반환해야합니다。“형식의식을나타내는문자형벡터또는串형스칼라。여기서ÿ〜F（B1，B2，...，BJ，X1，X2，...，XK）”F는스칼라계수변수B1、……BJ와스칼라데이터변수x1、……xk의스칼라함수를나타냅니다。식에포함되는변수이름은유효MATLAB한식별자여야합니다。
데이터형:function_handle|字符|字符串
beta0-계수
숫자형벡터
비선형모델에대한계수로，숫자형벡터로지정됩니다。NonLinearModel은beta0에서최적계수의탐색을시작합니다。
데이터형:单|双
이름 - 값쌍의인수
선택적으로名称，值인수가쉼표로구분되어지정됩니다。여기서的名字은인수이름이고值는대응값입니다。的名字은따옴표안에표시해야합니다。Name1, Value1,…,的家과같이여러개의이름 - 값쌍의인수를어떤순서로든지정할수있습니다。
'ErrorModel'， '组合'， '排除'，2， '选项'，选择는오차모델을결합된모델로지정하고，피팅에서두번째관측값을제외하고，구조체选择에정의된옵션을사용하여반복피팅절차를제어합니다。
'CoefficientNames'-모델계수의이름
{ 'B1'， 'B2'，...，“Bķ“}（디폴트값）|串형배열|문자형벡터로구성된셀형배열
ķ“}모델계수의이름으로，串형배열또는문자형벡터로구성된셀형배열로지정됩니다。
데이터형:字符串|细胞
'ErrorModel'-오차분산모델의형식
“不变”（디폴트값）|'成比例的'|“组合”
오차분산모델의형식으로,다음중하나로지정됩니다。0각모델은표준평균과단위분산변e수를독립적인성분인함수값f,하나또는두개의모수및b와함께사용하여오차를정의합니다。
“不变”（디폴트값） |
|
'成比例的' |
|
“组合” |
权重를사용하는경우유일하게허용되는오차모델은“不变”입니다。
참고
“不变”가아닌다른오차모델을사용하는경우options.RobustWgtFun이값[]을가져야합니다。
예:“ErrorModel”、“比例”
“ErrorParameters”-오차모델모수의초기추정값
숫자형배열
선택한ErrorModel에대한오차모델모수의초기추정값으로，숫자형배열로지정됩니다。
| 오차모델 | 파라미터 | 디폴트값 |
|---|---|---|
“不变” |
一个 | 1 |
'成比例的' |
b | 1 |
“组合” |
A，B | [1,1] |
权重를사용하는경우“不变”오차모델만사용할수있습니다。
참고
“不变”가아닌다른오차모델을사용하는경우options.RobustWgtFun이값[]을가져야합니다。
예를들어,'ErrorModel'이값“组合”를갖는경우다음과같이一个에대한시작값으로1을지정하고b에대한시작값으로2를지정할수있습니다。
예:'ErrorParameters'，[1,2]
데이터형:单|双
“排除”-제외시킬관측값
논리형또는숫자형인덱스벡터
피팅에서제외시킬관측값으로，“排除”와함께피팅에서제외시킬관측값을나타내는논리형또는숫자형인덱스벡터가쉼표로구분되어지정됩니다。
예를들어，다음예중하나를사용하여6개관측값중에서관측값2와관측값3을제외시킬수있습니다。
예:'排除'，[2,3]
예:'排除'，逻辑（[0 1 1 0 0 0]）
데이터형:单|双|合乎逻辑
“选项”-반복피팅절차를제어하는옵션
[]（디폴트값）|구조체
반복피팅절차를제어하는옵션으로,statset으로생성되는구조체로지정됩니다。관련필드는호출statset（ 'fitnlm'）에서반환되는구조체의비어있지않은필드입니다。
| 옵션 | 의미 | 디폴트값 |
|---|---|---|
DerivStep |
유한차분도함수계산에서사용되는상대오차。양의스칼라,또는统计和机器学习工具箱™함수가选项구조체를사용하여추정한모수로구성된벡터와동일한크기,의양의스칼라로구성된벡터。 | EPS ^（1/3） |
显示 |
피팅알고리즘이표시하는정보의양。
|
“关闭” |
FunValCheck |
모델함수에서유효하지않은값（예：为NaN또는正)을검사할지여부를나타내는문자형벡터또는字符串형스칼라。 |
'上' |
麦克斯特 |
허용되는최대반복횟수。양의정수。 | 200 |
RobustWgtFun |
로버스트피팅에사용할가중치함수。정규화된잔차를입력값으로받고로버스트가중치를출력값으로반환하는함수핸들일수도있습니다。함수핸들을사용하는경우调상수를제공하십시오。로버스트옵션항목을참조하십시오。 |
[] |
调 |
로버스트피팅에서가중치함수를적용하기전에잔차를정규화하는데사용되는조율상수。양의스칼라。가중치함수가함수핸들로지정된경우에필요합니다。 | 디폴트값은RobustWgtFun에따라달라집니다。자세한내용은로버스트옵션항목을참조하십시오。 |
TolFun |
목적함수값에대한종료허용오차。양의스칼라。 | 1 e-8 |
TolX |
모수에대한종료허용오차。양의스칼라。 | 1 e-8 |
데이터형:结构
'PredictorVars'-예측변수
串형배열|문자형벡터로구성된셀형배열|논리형또는숫자형인덱스벡터
피팅에사용할예측변수로,'PredictorVars'와함께테이블또는数据集형배열资源描述의변수이름에대한串형배열이나문자형벡터로구성된셀형배열또는예측변수열을나타내는논리형또는숫자형인덱스벡터가쉼표로구분되어지정됩니다。
字符串형값또는문자형벡터는资源描述에포함된이름이거나'VarNames'이름——값쌍의인수를사용하여지정하는이름이어야합니다。
디폴트값은X에포함된모든변수또는资源描述에포함된모든변수입니다。단，ResponseVar는예외입니다。
예를들어，다음예중하나를사용하여두번째변수와세번째변수를예측변수로지정할수있습니다。
예:'PredictorVars'，[2,3]
예:'PredictorVars'，逻辑（[0 1 1 0 0 0]）
데이터형:单|双|合乎逻辑|字符串|细胞
'ResponseVar'-응답변수
资源描述의마지막열（디폴트값）|변수이름|논리형또는숫자형인덱스벡터
피팅에사용할응답변수로，'ResponseVar'과함께테이블또는数据集형배열资源描述의변수이름또는응답변수열을나타내는논리형또는숫자형인덱스벡터가쉼표로구분되어지정됩니다。
모델을지정하면응답변수가지정됩니다。그렇지않으면,테이블또는数据集형배열을피팅할때'ResponseVar'이fitnlm에서응답변수로사용해야하는변수를나타냅니다。
예를들어,다음과방법중하나로네번째변수,이를테면让를6개변수중응답변수로지정할수있습니다。
예:“ResponseVar”、“收益”
예:'ResponseVar'，[4]
예:'ResponseVar'，逻辑（[0 0 0 1 0 0]）
데이터형:单|双|合乎逻辑|字符|字符串
'VarNames'-변수의이름
{ 'X1'， 'X2'，......， 'XN'， 'Y'}（디폴트값）|串형배열|문자형벡터로구성된셀형배열
변수이름으로，'VarNames'와함께X의열에대한이름을첫번째로포함하고응답변수ÿ의이름을마지막으로포함하는串형배열또는문자형벡터로구성된셀형배열이쉼표로구분되어지정됩니다。
'VarNames'는테이블또는数据集형배열의변수에적용되지않습니다。이러한변수는이미이름을갖고있기때문입니다。
예:'VarNames'，{ '马力'， '加速'， 'Model_Year'， 'MPG'}
데이터형:字符串|细胞
“权重”-관측값가중치
一（N，1）（디폴트값）|음이아닌스칼라값으로구성된벡터|함수핸들
관측값가중치로，음이아닌스칼라값으로구성된벡터또는함수핸들로지정됩니다。
벡터를지정한경우에는ň개의요소를가져야합니다。여기서ñ은
资源描述또는ÿ의행개수입니다。함수핸들을지정한경우에는예측된응답변수값으로구성된벡터를입력값으로받고양의실수가중치로구성된벡터를출력값으로반환해야합니다。
주어진가중치w ^에대해NonLinearModel은관측값一世에서의오차분산을MSE *（1 / W（i））的로추정합니다。여기서MSE는평균제곱오차입니다。
데이터형:单|双|function_handle
출력인수
MDL- 비선형모델
NonLinearModel객체
데이터에대한응답변수의최소제곱피팅을나타내는비선형모델로，NonLinearModel객체로반환됩니다。
选项구조체가비어있지않은RobustWgtFun필드를포함하는경우,이모델은최소제곱피팅이아니지만RobustWgtFun로버스트피팅함수를사용합니다。
비선형모델객체MDL에대한속성과메서드는NonLinearModel클래스페이지를참조하십시오。
세부정보
로버스트옵션
| 가중치함수 | 수식 | 디폴트조율상수 |
|---|---|---|
“安卓” |
W =（ABS（R） |
1.339 |
“bisquare”（디폴트값） |
w = (abs(r)<1) .* (1 - r.^2).^2 |
4.685 |
“柯西” |
w = 1 ./ (1 + r.^2) |
2.385 |
'公平' |
W = 1 ./（1个+ ABS（R））的 |
1.400 |
'HUBER' |
W = 1 ./ MAX（1，ABS（R））的 |
1.345 |
“物流” |
W =的tanh（R）./ř |
1.205 |
“犯错误” |
W = 1 *（绝对（R）<1） |
2.795 |
“韦尔施” |
w = exp (- (r ^ 2)) |
2.985 |
[] |
로버스트피팅없음 | - |
알고리즘
fitnlm은nlinfit와동일한피팅알고리즘을사용합니다。
참고문헌
[1] Seber, g.a. F.，和c.j. Wild。非线性回归。新泽西州霍博肯:Wiley-Interscience, 2003年。
[2] DuMouchel, W. H.和F. L. O'Brien。将健壮的选项集成到多元回归计算环境中。计算机科学与统计:第21届界面研讨会论文集。弗吉尼亚州亚历山大市:美国统计协会，1989年。
[3]荷兰，P. W.，和R. E.韦尔施。“稳健回归使用迭代重加权最小二乘法。”通信统计：理论与方法，A6，1977年，页813-827。
R2013b에개발됨
MATLAB명령
아래MATLAB명령에해당하는링크를클릭하셨습니다。
이명령을MATLAB명령창에입력해실행하십시오。웹브라우저에서는MATLAB명령을지원하지않습니다。
您还可以选择从下面的列表中的网站：
如何获得最佳的网站性能
选择最佳的网站性能的中国网站（在中国或英文）。其他MathWorks的国家网站都没有从您的位置访问进行了优化。
