fitoptions

创建或修改适合选项对象

折叠所有页面

语法

fitOptions = fitOptions

fitOptions = fitOptions (libraryModelName)

fitOptions = fitOptions (libraryModelName，名称，值)

fitOptions = fitOptions (fitType)

fitOptions = fitOptions(名称，值)

newOptions = fitoptions(fitoptions，名称，值)

newOptions = fitoptions(选项1，选项2)

描述

例子

fitOptions= fitoptions创建默认的适合选项对象fitOptions．

例子

fitOptions= fitoptions (libraryModelName）为库模型创建默认的适合选项对象。

例子

fitOptions= fitoptions (libraryModelName，名称,值）使用一个或多个指定的附加选项为指定的库模型创建合适的选项名称,值对参数。

例子

fitOptions= fitoptions (fitType）对象的匹配选项对象fitType．使用此语法可处理自定义模型的适合选项。

例子

fitOptions= fitoptions (名称,值）创建带有一个或多个指定的附加选项的合适选项名称,值对参数。

例子

newOptions= fitoptions (fitOptions，名称,值）修改现有的适合选项对象fitOptions并返回更新后的适合选项newOptions使用一个或多个指定的新选项名称,值对参数。

例子

newOptions= fitoptions (options1，options2）组合现有拟合选项对象options1而且options2在newOptions．

如果方法中的属性的非空值options2中的对应值options1在newOptions．
如果方法不同,newOptions包含了options1值方法价值观来自options2为正常化，排除,权重．

例子

全部折叠

修改默认适合选项以规范化数据

打开实时脚本

创建默认的拟合选项对象，并在拟合前将该选项设置为居中和缩放数据。

选项= fitoptions;选项。正常=“上”

options =正常化:'on'排除:[1x0 double]权重:[1x0 double]方法:'None'

为高斯匹配创建默认匹配选项

打开实时脚本

选项= fitoptions(“gauss2”）

options =归一化:'off'排除:[]权重:[]方法:'非线性最小二乘法'稳健:'off'起始点:[1x0 double]下:[-Inf -Inf 0 -Inf -Inf 0]上:[1x0 double]算法:'Trust-Region' DiffMinChange: 1.0000 -08 DiffMaxChange: 0.1000显示:'Notify' MaxFunEvals: 600 MaxIter: 400 TolFun: 1.0000 -06 TolX: 1.0000 -06

设置多项式拟合选项

打开实时脚本

为三次多项式创建拟合选项，并设置中心和尺度以及稳健拟合选项。

选项= fitoptions(“poly3”，“正常化”，“上”，“稳健”，“Bisquare”）

选项=归一化:'on'排除:[]权重:[]方法:'线性最小二乘'稳健:'Bisquare'下:[1x0 double]上:[1x0 double]

创建线性最小二乘的拟合选项

打开实时脚本

选项= fitoptions(“方法”，“LinearLeastSquares”）

选项=归一化:'off'排除:[]权重:[]方法:'线性最小二乘'稳健:'off'下:[1x0 double]上:[1x0 double]

在多次适配中使用相同的适配选项

打开实时脚本

属性时，修改默认匹配选项对象非常有用正常化，排除,或权重属性，然后使用相同的选项和不同的拟合方法来拟合数据。例如，下面使用相同的拟合选项来拟合不同的库模型类型。

负载人口普查选项= fitoptions;选项。正常化=“上”；F1 = fit(cdate,pop，“poly3”、选择);F2 = fit(cdate,pop，“exp1”、选择);F3 = fit(cdate,pop，“cubicspline”选项)

f3 =三次插值样条:f3(x) =从p计算的分段多项式，其中x由平均值1890归一化，std 62.05系数:p =系数结构

找到并更改平滑匹配选项

打开实时脚本

求平滑参数。依赖于数据的拟合选项，例如光滑的方法的第三个输出参数中返回适合函数。

负载人口普查[f,gof,out] = fit(cdate,pop，“SmoothingSpline”）;Smoothparam = out.p

Smoothparam = 0.0089

修改默认平滑参数为一个新的适合。

选项= fitoptions(“方法”，“SmoothingSpline”，.．.“SmoothingParam”, 0.0098);[f,gof,out] = fit(cdate,pop，“SmoothingSpline”、选择);

应用系数边界改善高斯拟合

打开实时脚本

创建高斯拟合，检查置信区间，并指定下限拟合选项来帮助算法。

创建两个高斯峰的噪声和，一个宽度小，一个宽度大。

A1 = 1;B1 = -1;C1 = 0.05;A2 = 1;B2 = 1;C2 = 50;X = (-10:0.02:10)';Gdata = a1*exp(-((x-b1)/c1).^2) +.．.(a2 * exp () - (x-b2 / c2)。^ 2)+.．.0.1 *(兰德(大小(x)));情节(x, gdata)

图中包含一个轴对象。axis对象包含一个line类型的对象。

使用两项高斯库模型拟合数据。

Gfit = fit(x,gdata，“gauss2”）

gfit =通用模型高斯s2: gfit(x) = a1*exp(-((x-b1)/c1)^2) + a2*exp(-((x-b2)/c2)^2)系数(95%置信限):a1 = -0.1451 (-1.485, 1.195) b1 = 9.725 (-14.7, 34.15) c1 = 7.117 (-15.84, 30.07) a2 = 14.08 (-1.962e+ 04,1.965 e+04) b2 = 607.4 (-3.197e+ 04,3.209 e+05) c2 = 376 (-9.745e+ 04,9.82 2e+04)

情节(礼物,x, gdata)

图中包含一个轴对象。axis对象包含2个line类型的对象。这些对象代表数据，拟合曲线。

该算法存在一定的困难，从几个系数的置信区间较宽可以看出。

为了帮助算法，指定非负振幅的下界a1而且a2和宽度c1，c2．

选项= fitoptions(“gauss2”，“低”， [0 -Inf 0 0 -Inf 0]);

或者，您可以使用表单设置适合选项的属性选项。属性= NewPropertyValue．

选项= fitoptions(“gauss2”）;选项。较低的= [0 -Inf 0 0 -Inf 0];

使用对系数的约束重新计算拟合。

Gfit = fit(x,gdata，“gauss2”选项)

gfit =一般模型gauss: gfit(x) = a1*exp(-((x-b1)/c1)^2) + a2*exp(-((x-b2)/c2)^2)系数(95%置信限):a1 = 1.005 (0.966, 1.044) b1 = -1.002， -0.9988) c1 = 0.0491 (0.0469, 0.0513) a2 = 0.9985 (0.9958, 1.001) b2 = 0.8059 (0.3879, 1.224) c2 = 50.6 (46.68, 54.52)

情节(礼物,x, gdata)

图中包含一个轴对象。axis对象包含2个line类型的对象。这些对象代表数据，拟合曲线。

这件更合身。通过将合理的值赋给拟合选项对象中的其他属性，可以进一步改进拟合。

复制并组合适合选项

打开实时脚本

创建合适的选项并设置下界。

选项= fitoptions(“gauss2”，“低”， [0 -Inf 0 0 -Inf 0])

options =归一化:'off'排除:[]权重:[]方法:'非线性最小二乘法'稳健:'off' StartPoint: [1x0 double]下:[0 -Inf 00 -Inf 0]上:[1x0 double]算法:'Trust-Region' DiffMinChange: 1.0000 -08 DiffMaxChange: 0.1000显示:'Notify' MaxFunEvals: 600 MaxIter: 400 TolFun: 1.0000 -06 TolX: 1.0000 -06

制作适合选项的新副本并修改健壮性参数。

Newoptions = fitoptions(选项，“稳健”，“Bisquare”）

newoptions = Normalize: 'off'排除:[]权重:[]方法:'非线性最小二乘法'稳健:'Bisquare'起始点:[1x0 double]下:[0 -Inf 00 -Inf 0]上:[1x0 double]算法:'Trust-Region' DiffMinChange: 1.0000 -08 DiffMaxChange: 0.1000显示:'Notify' MaxFunEvals: 600 MaxIter: 400 TolFun: 1.0000 -06 TolX: 1.0000 -06

组合合适的选择。

Options2 = fitoptions(选项，newoptions)

options2 = Normalize: 'off'排除:[]权重:[]方法:'非线性最小二乘法' Robust: 'Bisquare' StartPoint: [1x0 double]下:[0 -Inf 00 -Inf 0]上:[1x0 double]算法:'Trust-Region' DiffMinChange: 1.0000 -08 DiffMaxChange: 0.1000显示:'Notify' MaxFunEvals: 600 MaxIter: 400 TolFun: 1.0000 -06 TolX: 1.0000 -06

更改自定义模型适合选项

打开实时脚本

创建一个线性模型拟合类型。

LFT = fittype({“x”，“sin (x)”，' 1 '}）

线性模型:lft(a,b,c,x) = a*x + b*sin(x) + c

获取适合类型的适合选项融通．

Fo = fitoptions(lft)

fo =归一化:'off'排除:[]权重:[]方法:'线性最小二乘'稳健:'off'下:[1x0 double]上:[1x0 double]

设置normalize fit选项。

fo。正常化=“上”

fo =归一化:'on'排除:[]权重:[]方法:'线性最小二乘'稳健:'Off'下:[1x0 double]上:[1x0 double]

输入参数

全部折叠

`libraryModelName`- - - - - -拟合的库模型
特征向量|字符串标量

要拟合的标准库模型，指定为字符向量或字符串标量。下表显示了一些常见的例子。

图书馆模型名称	描述
`“poly1”`	线性多项式曲线
`“poly11”`	线性多项式曲面
`“poly2”`	二次多项式曲线
`“linearinterp”`	分段线性插值
`“cubicinterp”`	分段三次插值
`“smoothingspline”`	平滑样条(曲线)
`“洛斯”`	局部线性回归(曲面)

有关库模型名称的列表，请参见模型名称和方程．

例子:“poly2”

数据类型:字符|字符串

`fitType`- - - - - -适合的模型类型
`fittype`

要适合的模型类型，指定为fittype用fittype函数。使用这个工作适合自定义模型的选项。

`fitOptions`- - - - - -算法的选择
`fitoptions`

算法选项，指定为fitoptions对象创建。fitoptions函数。

`options1`- - - - - -要组合的算法选项
`fitoptions`

算法选项组合，构造使用fitoptions函数。

`options2`- - - - - -要组合的算法选项
`fitoptions`

算法选项组合，构造使用fitoptions函数。

名称-值参数

指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名称-值参数必须出现在其他参数之后，但对的顺序无关紧要。

在R2021a之前，使用逗号分隔每个名称和值，并将其括起来的名字在报价。

例子:“方法”、“NonlinearLeastSquares”,“低”,(0,0),“上层”,正无穷,max (x),“曾经繁荣”,[1]指定拟合方法、边界和起点。

所有拟合方法的选项

全部折叠

`正常化`- - - - - -选择集中和缩放数据
`“关闭”`(默认)|`“上”`

选项将数据居中并缩放，指定为逗号分隔的对，由“正常化”而且“上”或“关闭”．

数据类型:字符

`排除`- - - - - -分不适合排除
表达式|索引向量|逻辑向量|空

要从拟合中排除的点，指定为逗号分隔的对，由“排除”其中之一是:

描述逻辑向量的表达式，例如:10 . X >．
一个整数向量，索引你想要排除的点，例如，[1 10 25]．
所有数据点的逻辑向量真正的表示异常值，由excludedata．

有关示例，请参见适合．

`权重`- - - - - -适合度权重
[](默认)|向量

匹配的权重，指定为逗号分隔的对，由“重量”向量的大小与数据点的数量相同。

数据类型:双

`方法`- - - - - -拟合方法
`“没有”`(默认)|`“NearestInterpolant`|`“LinearInterpolant”`|`“PchipInterpolant”`|`CubicSplineInterpolant”`|……

拟合方法，指定为由逗号分隔的对组成“方法”以及本表中的拟合方法之一。

拟合方法	描述
`“NearestInterpolant”`	最近邻插值
`“LinearInterpolant”`	线性插值
`“PchipInterpolant”`	分段三次埃尔米特插值(仅限曲线)
`“CubicSplineInterpolant”`	三次样条插值
`“BiharmonicInterpolant”`	双谐曲面插值
`“SmoothingSpline”`	平滑样条
`“LowessFit”`	低平滑度(仅限表面)
`“LinearLeastSquares”`	线性最小二乘
`“NonlinearLeastSquares”`	非线性最小二乘

数据类型:字符|字符串

平滑的选项

全部折叠

`SmoothingParam`- - - - - -平滑参数
范围(0,1)中的标量值

平滑参数，指定为逗号分隔的对，由“SmoothingParam”和一个0到1之间的标量值。默认值取决于数据集。只有在方法是SmoothingSpline．

数据类型:双

`跨度`- - - - - -用于局部回归的数据点的比例
０．２５(默认)|范围(0,1)中的标量值

在局部回归中使用的数据点的比例，指定为由逗号分隔的对组成的“跨越”和一个0到1之间的标量值。只有在方法是LowessFit．

数据类型:双

线性和非线性最小二乘选择

全部折叠

`健壮的`- - - - - -鲁棒线性最小二乘拟合方法
`“关闭”`(默认)|`“守护神”`|`“Bisquare”`

稳健线性最小二乘拟合方法，指定为逗号分隔对组成“稳健”其中一个价值观是:

“守护神”指定最小绝对残差方法。
“Bisquare”指定bisquare weights方法。

适用于方法是LinearLeastSquares或NonlinearLeastSquares．

数据类型:字符

`较低的`- - - - - -拟合系数的下界
[](默认)|向量

要拟合的系数的下界，指定为逗号分隔的对，由“低”还有一个向量。默认值为空向量，表示拟合不受下界约束。如果指定了边界，则向量长度必须等于系数的数量。函数求向量值中系数的项的顺序coeffnames函数。有关示例，请参见适合．单独的无约束下界可以由负．

适用于方法是LinearLeastSquares或NonlinearLeastSquares．

数据类型:双

`上`- - - - - -拟合系数的上界
[](默认)|向量

要拟合的系数的上界，指定为逗号分隔的对，由“上”还有一个向量。默认值为空向量，表示拟合不受上界约束。如果指定了边界，则向量长度必须等于系数的数量。函数求向量值中系数的项的顺序coeffnames函数。有关示例，请参见适合．单独的无约束上界可以由+正．

适用于方法是LinearLeastSquares或NonlinearLeastSquares．

数据类型:逻辑

非线性最小二乘选项

全部折叠

`曾经繁荣`- - - - - -系数的初值
[](默认)|向量

系数的初始值，指定为逗号分隔的对，由曾经繁荣的还有一个向量。函数求向量值中系数的项的顺序coeffnames函数。有关示例，请参见适合．

对象没有传递起始点(空向量的默认值)适合函数中，一些库模型的起点是启发式确定的。对于有理模型和威布尔模型，以及所有自定义非线性模型，工具箱从区间(0,1)中均匀随机地为系数选择默认初始值。因此，使用相同数据和模型的多次拟合可能导致不同的拟合系数。属性的向量值指定系数的初值以避免这种情况曾经繁荣财产。