Составители:
53
Здесь функции slope и intercept возвращают скаляры: наклон и сме-
щение по оси ординат линии регрессии.
Рис. 19 показывает, как можно использовать эти функции, чтобы
провести линию через экспериментальные точки.
Эти функции полезны не только тогда, когда данные по существу
должны представлять линейную зависимость, но и когда они представ-
ляют экспоненциальную зависимость. Например, если x и y связаны
соотношением вида
e,
kx
yA=
можно применить эти функции к логарифму данных и использовать
факт, что
ln ln .yAkx
=+
В этом случае
()
exp intercept( , ) , slope( , ).
Ak==
vx vy vx vy
Полиномиальная регрессия используется в том случае, когда между
y и x, полученными экспериментально, ожидается полиномиальная за-
висимость. При этом используются функции regress(vx, vy, n) или
loess(vx, vy, span). Здесь n – порядок полинома, который должен при-
ближать данные из vx и vy. Аргумент span (span > 0) определяет, на-
сколько большие окрестности функция loess будет использовать при
выполнении локального приближения. Функции regress и loess воз-
вращают векторы (обозначим vs), которые используются функцией
interp(vs, vx, vy, x), которая для заданного значения х возвращает ин-
терполируемое значение y.
Пример использования функции loess при двух значениях аргумента
span приведен на рис. 20.
Обобщенная регрессия используется в том случае, когда нужно ис-
кать приближение экспериментальной зависимости в виде комбинации
произвольных функций, не являющейся полиномом. Если предполага-
ется, что данные могли бы быть смоделированы в виде линейной ком-
бинации произвольных функций
00 11
() () ... (),
nn
yafx afx afx
=+++
следует использовать функцию linfit, чтобы вычислить a
i
.
Страницы
- « первая
- ‹ предыдущая
- …
- 51
- 52
- 53
- 54
- 55
- …
- следующая ›
- последняя »
