【数学建模笔记】【第四讲（1）】拟合算法之最小二乘算法及其MATLAB实现
与插值问题不同，在拟合问题中不需要曲线一定经过给定的点。拟合问题的目标是寻求一个函数（曲线），使得该曲线在某种准则下与所
有的数据点最为接近，即曲线拟合的最好（最小化损失函数）
最小二乘法拟合算法及其MATLAB实现
-
-
- 1.最小二乘法的几何解释：
- 2.为什么不用四次方？
- 3.MATLAB求解最小二乘：
- 4. 如何评价拟合的好坏（拟合优度）
- 5.线性函数的定义与介绍
- 6.用MATLAB计算拟合优度
-
【插值和拟合的区别】
插值算法中，得到的多项式f(x)要经过所有样本点。但是如果样本点太多，那么这个多项式次数过高，会造成龙格现象。
尽管我们可以选择分段的方法避免这种现象，但是更多时候我们更倾向于得到一个确定的曲线，尽管这条曲线不能经过每一个样本点，但只要保证误差足够小即可，这就是拟合的思想。(拟合的结果是得到一个确定的曲线，而插值可以得到很多曲线，只不过是预测精度不大一样)
【结合MATLAB演示最小二乘法拟合】
给定一些数据点：
| x | y |
|---|---|
| 4.2 | 8.4 |
| 5.9 | 11.7 |
| 2.7 | 4.2 |
| 3.8 | 6.1 |
| 3.8 | 7.9 |
| 5.6 | 10.2 |
| 6.9 | 13.2 |
| 3.5 | 6.6 |
| 3.6 | 6 |
| 2.9 | 4.6 |
| 4.2 | 8.4 |
| 6.1 | 12 |
| 5.5 | 10.3 |
| 6.6 | 13.3 |
| 2.9 | 4.6 |
| 3.3 | 6.7 |
| 5.9 | 10.8 |
| 6 | 11.5 |
| 5.6 | 9.9 |
设这些样本点为 ( x i , y i ) , i = 1 , 2 , 3 , … … , n (x_i,y_i),i=1,2,3,……,n (xi,yi),i=1,2,3,……,n
我们设置的拟合曲线为 y = k x + b y=kx+b y=kx+b.
问题在于，当 k k k和 b b b取何值时，使得样本点和拟合曲线更接近？
我们使用MATLAB先将这些点画在图中：
在MATLAb的变量存储区新建x和y变量，然后把我们的数据复制进去：
新建好这两个变量之后，可以把两个变量选中，然后保存在和代码同一个目录的文件夹下，保存为mat文件：
这样我们如果删除了这两个变量，仍然可以通过load demo 来加重新加载这两个变量。
通过plot命令可以绘制出这个散点图：
那么如何确定拟合曲线呢？这里我们使用最小二乘法。
1.最小二乘法的几何解释：
第一种定义有绝对值，不容易求导，因此计算比较复杂。
所以我们往往使用第二种定义，这也正是最小二乘的思想。
2.为什么不用四次方？
- 避免极端数据对拟合曲线的影响。
- 最小二乘法得到的结果和MLE极大似然估计一致。
- 不用奇数次方的原因：误差会正负相抵。
求解最小二乘法：
详细证明可以看我写的超级好的手写版【doge】
3.MATLAB求解最小二乘：
对应的求 k ^ \hat{k} k^和 b ^ \hat{b} b^的MATLAb
代码是：
k = (n*sum(x.*y)-sum(x)*sum(y))/(n*sum(x.*x)-sum(x)*sum(x))
b = (sum(x.*x)*sum(y)-sum(x)*sum(x.*y))/(n*sum(x.*x)-sum(x)*sum(x))
求出 k ^ \hat{k} k^和 b ^ \hat{b} b^之后就可以画出这个拟合函数 y = k ^ x + b ^ y=\hat{k}x+\hat{b} y=k^x+b^了：
% % 画出y=kx+b的函数图像 plot(x,y)
% % 传统的画法：模拟生成x和y的序列，比如要画出[0,5]上的图形
% xx = 2.5: 0.1 :7 % 间隔设置的越小画出来的图形越准确
% yy = k * xx + b % k和b都是已知值
% plot(xx,yy,'-')
画图还有一个方法：用匿名函数
% 匿名函数的基本用法。
% handle = @(arglist) anonymous_function
% 其中handle为调用匿名函数时使用的名字。
% arglist为匿名函数的输入参数，可以是一个，也可以是多个，用逗号分隔。
% anonymous_function为匿名函数的表达式。
% 举个小例子
% z=@(x,y) x^2+y^2;
% z(1,2)
% % ans = 5
% fplot函数可用于画出匿名一元函数的图形。
% fplot(f,xinterval) 将匿名函数f在指定区间xinterval绘图。xinterval = [xmin xmax] 表示定义域的范围
在此处就可以这样写来画出这个函数：
f=@(x) k*x+b;
fplot(f,[2.5,7]);
legend('样本数据','拟合函数','location','SouthEast')
那么有了拟合函数我们如何判断拟合的好不好呢？
4. 如何评价拟合的好坏（拟合优度）
拟合优度（可决系数） R 2 R^2 R2
- 总体平方和 S S T SST SST： Total sum of squares : S S T = ∑ i = 1 n ( y i − y i ‾ ) 2 \text{Total sum of squares}:SST=\sum_{i=1}^n(y_i-\overline{y_i})^2 Total sum of squares:SST=∑i=1n(yi−yi)2
- 误差平方和 S S E SSE SSE： The sum of squares due to error : S S E = ∑ i = 1 n ( y i − y i ^ ) 2 \text{The sum of squares due to error}:SSE=\sum_{i=1}^n(y_i-\hat{y_i})^2 The sum of squares due to error:SSE=∑i=1n(yi−yi^)2
- 回归平方和 S S R SSR SSR： Sum of squares of the regression: : S S R = ∑ i = 1 n ( y i ^ − y i ‾ ) 2 \text{Sum of squares of the regression:}:SSR=\sum_{i=1}^n(\hat{y_i}-\overline{y_i})^2 Sum of squares of the regression::SSR=∑i=1n(yi^−yi)2
可以证明： S S T = S S R + S S E SST=SSR+SSE SST=SSR+SSE（要用到我们求导得到的两个等式）
拟合优度：
0 < = R 2 = S S R S S T = S S T − S S E S S T = 1 − S S E S S T < = 1 0<=R^2= \frac{SSR}{SST}= \frac{SST-SSE}{SST}=1- \frac{SSE}{SST}<=1 0<=R2=SSTSSR=SSTSST−SSE=1−SSTSSE<=1
R 2 R^2 R2越接近1，说明误差平方和越接近0，误差越小说明拟合的越好。
注：
- R 2 R^2 R2只能用于拟合函数是线性函数时拟合结果的评价，因为 S S T = S S R + S S E SST=SSR+SSE SST=SSR+SSE这个等式只有在拟合函数是线性的时候才成立，其证明如下图
- 线性函数和其他函数（例如复杂的指数函数）比较拟合的好坏，直接看 S S E SSE SSE即可。
- 拟合的函数越复杂（比如说次数越高），最后得出的拟合优度肯定是越小，SSE也越小（因为次数越高，到最后可能拟合函数穿过了所有的数据点，SSE就为0了），但是这与拟合的初衷相矛盾了，我们希望用一个简单的函数去打到一个相对很好的拟合效果。所以不要过度追求高阶次，复杂的拟合函数，而是要在简单拟合函数与 R 2 R^2 R2越小之间找到一个平衡点。
证明SST=SSE+SSR:
5.线性函数的定义与介绍
上面谈到了 R 2 R^2 R2只能用于拟合函数是线性函数时拟合结果的评价，那么什么是线性函数呢？只有一次函数是线性函数吗？其实不是的。
思考： y = a + b x 2 y=a+bx^2 y=a+bx2是线性函数吗？
是的。因为我们这里说的线性函数是指对参数为线性（线性于参数）。
如何判断线性于参数的函数？
在函数中，参数仅以一次方出现，且不能乘以或除以其他任何的参数，并不能出现参数的复合函数形式。
比如下面的三种函数都是线性于参数的函数：
而 y = a ( x − b ) 2 , y = a s i n ( b + c x ) y=\frac{a}{(x-b)^2},y=asin(b+cx) y=(x−b)2a,y=asin(b+cx)等都不是线性于参数的函数，不能使用 R 2 R^2 R2。
6.用MATLAB计算拟合优度
- S S T = ∑ i = 1 n ( y i − y i ‾ ) 2 SST=\sum_{i=1}^n(y_i-\overline{y_i})^2 SST=∑i=1n(yi−yi)2
- S S E = ∑ i = 1 n ( y i − y i ^ ) 2 SSE=\sum_{i=1}^n(y_i-\hat{y_i})^2 SSE=∑i=1n(yi−yi^)2
- S S R = ∑ i = 1 n ( y i ^ − y i ‾ ) 2 SSR=\sum_{i=1}^n(\hat{y_i}-\overline{y_i})^2 SSR=∑i=1n(yi^−yi)2
y_hat = k*x+b; % y的拟合值
SSR = sum((y_hat-mean(y)).^2) % 回归平方和
SSE = sum((y_hat-y).^2) % 误差平方和
SST = sum((y-mean(y)).^2) % 总体平方和
SST-SSE-SSR % 5.6843e-14 = 5.6843*10^-14 matlab浮点数计算的一个误差
R_2 = SSR / SST
本篇文章就到这里啦，下一篇文章继续讲解MATLAB中拟合函数工具箱的使用。