matlab的线性回归循环结构

这下通了,都是小问题：x1=[100101.9108.2104.01102.6103.6];x2=[174162.6233.8257322.4373.1];y=[88.9283.791.13127.2

x=[100101.9108.2104.01102.6103.6];y=[174162.6233.8257322.4373.1];z=[88.9283.791.13127.24141.11150.37

closeall;clear;clc;Y=[2.786896362.770893162.756596092.752612812.715574412.694850562.68402689];X1=[19

使用regress命令多元线性回归——用最小二乘估计法B=REGRESS(Y,X),返回值为线性模型Y=X*B的回归系数向量X,n-by-p矩阵,行对应于观测值,列对应于预测变量Y,n-by-1向量,

figure;t=[1999200020012002200320042005200620072008];c=[399.72506.97754.98989.41202.481473.2915251717

纯拟合的话推荐用Origin一步搞定：    拟合结果为斜率-1.87662；截距为30.33117；线性相关系数为0.92647再问：如果用matlab呢？我

%首先输入下列系数：f = [13 9 10 11 12 8];A =  [0.4 1.1

程序是没错的,但显然拟合效果很不理想.y=[354355474357262728292229191114232022138327265];x1=[222222555555777777101010101

你x10个值,y11个值,而且591.0也有误吧r=corrcoef(x,y);%r就是相关系数R=r^2;k=polyfit(x,y,1);scatter(x,y,'.');holdonx1=200

在MATLAB里,多项式由一个系数的行向量表示,其系数是按降序排列.所以：A=-0.2444B=0.6064

clear>>x=[1656,2122,2864,4033,6099];>>y=[2112,2170,2291,2456,2759];>>[P,S]=polyfit(x,y,1)%P为拟合回归系数即y

x=[2.82,2.02,1.57,1.28,1.08,0.94];z=[40,55.9,62.8,66.2,68.7,70.6];Z=z';X1=[x;x]';%c=ax-bx+zz=c-ax+bx

y=[320320160710320320320160710320];x1=[2.31.71.31.71.71.611.71.71.7];x2=[2.31.71.71.61.71.711.71.71.

对于你这个问题,很简单,你只需要将c=1-a-b带入到你的方程组中去,消去c,只有a,b的.那样就解决了约束条件.

y=[320320160710320320320160710320];x1=[2.31.71.31.71.71.611.71.71.7];x2=[2.31.71.71.61.71.711.71.71.

可以画回归直线x = [1 2 3 4 5 6]';y = [2 4 6 

a=9.6fori=0:20b=a+0.00082*(665-a)*afprintf('a=%fb=%f',a,b)a=bi=i+1holdonplot(a,b,'r.')end每次循环都进行绘制

首先你的X和Y两个矩阵的维数不一样,这样的话算出来的结果就可能有问题.第二假如一组数据的值就是这样的话,你就算用其他的软件去求还是这样,其实要检验b的取值是否合理其实有个办法很简单,就是你可以用上面已

a=[320320160710320320320];f=[0.180.180.180.180.090.360.18];v=[2.31.71.71.71.71.71];F=[38.829.2326.53

http://hi.baidu.com/zhangkai1201/blog/item/c2bf22039bf73983d53f7c64.html