建立汽车里程的非线性模型作为权重的函数，并预测响应。

创建一个指数模型的汽车里程作为一个函数的重量从carsmall数据。将权重乘以1000，使所有变量的大小大致相等。

负载carsmallX =重量;y = MPG;modelfun ='y ~ b1 + b2*exp(-b3*x/1000)'；Beta0 = [1 1 1];mdl = fitnlm(X,y,modelfun,beta0);

创建对数据的预测反应。

Xnew = X;ypred = predict(mdl,Xnew);

把原始反应和预测反应画出来，看看它们有什么不同。

情节(X, y,“o”, X, ypred“x”)传说(“数据”，“预测”）

建立一个汽车里程的非线性模型作为权重的函数，并检查一些响应的置信区间。

创建一个指数模型的汽车里程作为一个函数的重量从carsmall数据。将权重乘以1000，使所有变量的大小大致相等。

负载carsmallX =重量;y = MPG;modelfun ='y ~ b1 + b2*exp(-b3*x/1000)'；Beta0 = [1 1 1];mdl = fitnlm(X,y,modelfun,beta0);

创建对最小、平均和最大数据点的预测响应。

Xnew = [min(X);mean(X);max(X)];[ypred,yci] = predict(mdl,Xnew)

ypred =3×134.9469 22.6868 10.0617

开办=3×232.5212 37.3726 21.4061 23.9674 7.0148 13.1086

从非线性回归模型中生成样本数据

在哪里 $$b_1$$， $$b_2$$, $$b_{3.}$$系数和误差项 $$ϵ$$正态分布，均值为0，标准差为0.5。

Modelfun = @(b,x)(b(1)+b(2)*exp(-b(3)*x));rng (“默认”）%用于再现性B = [1;3;2];X = extend (2,100,1);Y = modelfun(b,x) + normrnd(0,0.5,100,1);

使用鲁棒拟合选项拟合非线性模型。

Opts = statset(“nlinfit”）;选择。RobustWgtFun =“bisquare”；B0 = [2;2;2];MDL = fitnlm(x,y,modelfun,b0，“选项”、选择);

绘制拟合的回归模型和同时的95%置信限。

Xrange = [min(x):.01:max(x)]';[ypred,yci] = predict(mdl,xrange，“同时”,真正的);图()图(x, y,“柯”）观测数据%持有在情节(xrange ypred,“k”，“线宽”2)图(xrange,开办的,“r——”，“线宽”, 1.5)

加载样例数据。

S =负载(“反应”）;X = s .反应物;y = S.rate;a0 = s;

为观测权重指定一个函数句柄，然后使用指定的观测权重函数将Hougen-Watson模型拟合到速率数据上。

A = 1;B = 1;权重= @(yhat)/((a + b*abs(yhat)).^2);mdl = fitnlm(X,y，@hougen,beta0，“重量”、重量);

使用观测权重函数计算反应物水平[100,100,100]的新观测值的95%预测区间。

[ypred,yci] = predict(mdl，[100,100,100]，“预测”，“观察”，.．.“重量”、重量)

Ypred = 1.8149

开办=1×21.5264 - 2.1033