技术标签: matlab 线性代数 MATLAB实例学习与应用
一元线性回归分析是在排除其他影响因素,分析某一个因素(自变量:X)是如何影响另外一个事物(因变量:Y)的过程,所进行的分析是比较理想化的。对于一元线性回归来说,可以看成Y的值是随着X的值变化,每一个实际的X都会有一个实际的Y值,我们叫Y实际,那么我们就是要求出一条直线,每一个实际的X都会有一个直线预测的Y值,我们叫做Y预测,回归线使得每个Y的实际值与预测值之差的平方和最小,即达到一元线性回归的最终结果。
一般的,一元线性回归模型可由下表示:
Y = β 0 + β 1 × X + ϵ Y=\beta_0 +\beta_1\times X+\epsilon Y=β0+β1×X+ϵ
固定的 β 0 \beta_0 β0、 β 1 \beta_1 β1称为回归系数,自变量X也成为回归变量, Y = β 0 + β 1 × X + ϵ Y=\beta_0 +\beta_1\times X+\epsilon Y=β0+β1×X+ϵ,称为Y对X的回归直线方程,且 ϵ \epsilon ϵ 的均值 E ( ϵ ) = 0 E(\epsilon)=0 E(ϵ)=0,所以模型简化为 Y = β 0 + β 1 × X Y=\beta_0 +\beta_1\times X Y=β0+β1×X。
对于实际问题,要建立回归方程,首先确定能否建立线性回归模型,其次确定如何对模型中未知参数 β 0 \beta_0 β0、 β 1 \beta_1 β1进行估计。所以首先对总体进行独立观测,在坐标系中画出Y与X的散点图,根据图判断Y与X直线关系是否符合一元线性回归模型。最后利用最小二乘法可以得到回归模型参数 β 0 \beta_0 β0、 β 1 \beta_1 β1的最小二乘估计,估计公式为:
{ β 0 = y ˉ − x ˉ β 1 β 1 = L x y L x x \begin{cases}\beta_{0}=\bar{y}-\bar{x} \beta_{1} \\\beta_{1}=\frac{L_{x y}}{L_{x x}}\end{cases} {
β0=yˉ−xˉβ1β1=LxxLxy
其中: x ˉ = 1 n ∑ i = 1 n X i , y ˉ = 1 n ∑ i = 1 n y i \bar{x}=\frac{1}{n} \sum_{i=1}^{n} X_{i}, \bar{y}=\frac{1}{n} \sum_{i=1}^{n} y_{i} xˉ=n1∑i=1nXi,yˉ=n1∑i=1nyi, L x x = ∑ i = 1 n ( X i − X ˉ ) 2 , L x y = ∑ i = 1 n ( x i − x ˉ ) ( y i − y ˉ ) L_{x x}=\sum_{i=1}^{n}\left(X_{i}-\bar{X}\right)^{2}, L_{x y}=\sum_{i=1}^{n}\left(x_{i}-\bar{x}\right)\left(y_{i}-\bar{y}\right) Lxx=∑i=1n(Xi−Xˉ)2,Lxy=∑i=1n(xi−xˉ)(yi−yˉ)
于是我们建立公式模型: y = β 0 + β 1 x y=\beta_{0}+\beta_{1} x y=β0+β1x
接下来我们可以通过对一元线性回归分析总结为三点
- 利用样本观测值对回归系数 β 0 \beta_0 β0、 β 1 \beta_1 β1做点估计
- 对方程的线性关系做显著校验
- 在X= X 0 X_0 X0处对Y做预测等
分析总能耗与面积的关系,首先导入散点图,如下:
第一步:画出面积和总能耗之间的散点图,如下:
[Data,str]=xlsread('C:\Users\86188\Desktop\仿真数据\北京参数一百组新.xlsx','sheet1','A1:R101');%得到表格中所有数据
[Row,Col]=size(Data); % 得到数据的行和列宽
NewData=zeros(Row,2); % 建立两列行相等的数组
NewData(:,1)=Data(:,factor); % 保存因素数据
NewData(:,2)=Data(:,Col); % 保存自变量数据
subplot(311); % 分图1,肉眼看线性关系
plot(NewData(:,1)',NewData(:,2)','k+'); % 得出面积与总能耗之间的散点图,通过散点图可以明确发现存在线性关系
axis([0,inf,0,inf]);xlabel('面积');ylabel('总能耗');title('总能耗与面积散点图');legend('真实值');
可以观测处面积与总能耗之间存在线性关系,但是实际上不用标准的一元线性模型,而使用 Y = β 1 × X Y=\beta_1\times X Y=β1×X,观测Y与X的具体关系,不加截距的方式。
第二步:求出面积与总能耗之间最大与最小斜率。
slop=zeros(Row,1); % 建立一个斜率数组
for i=1:Row
slop(i)=NewData(i,2)/NewData(i,1); % 得到每个数据对应的斜率
end
[MaxNumber,MaxIndex] = max(slop); % 得到最大斜率和下标
[MinNumber,MinIndex] = min(slop); % 得到最小效率和下标
第三步:求出每个斜率对应的误差值
最终得到在 K=63.88的时候可以得到最小误差RSS=5296700。
SlopNumber = (MaxNumber-MinNumber)/0.01; % 得到以0.01为精度的斜率个数
Loss=zeros(SlopNumber,1); % 根据最大斜率和最小效率建立指定长度的损失数据
count = 1;
for PreSlop = MinNumber:0.01:(MaxNumber-0.01) % 斜率以0.01的增量去计算损失函数
for i=1:Row
Loss(count) = Loss(count)+(NewData(i,2)-PreSlop*NewData(i,1))^2/(2*100);
end
count=count+1;
end
Number=1:SlopNumber; % 得到损失函数列向量数量
subplot(312); % 分图2:看损失函数的最小值
plot(Number,Loss');ylabel('损失值');title('损失函数图');legend('损失函数');
第四步:得到最佳斜率并用模型进行预测总能耗
[MinLoss,MinLossindex] = min(Loss) % 得到损失函数最小值及对应的下标
PreSlop = zeros(2,Row); % 建立预测曲线存取矩阵
for i=1:Row % 预测矩阵基于给定的数据,计算y=k*x的关系
PreSlop(2,i)= (MinLossindex*0.01+MinNumber)*NewData(i,1);
PreSlop(1,i)= NewData(i,1);
end
subplot(313); % 分图3:看实际数据与线性回归的关系
plot(NewData(:,1)',NewData(:,2)','k+',PreSlop(1,:)',PreSlop(2,:),'r');% 得出面积与总能耗之间的散点图,通过散点图可以明确发现存在线性关系
axis([0,inf,0,inf]);xlabel('面积');ylabel('总能耗');title('总能耗与面积的线性关系');
legend('真实值','预测值');grid on;hold on;
第五步:得到模型函数关系
总 能 耗 = 63.88 × 面 积 总能耗=63.88 \times 面积 总能耗=63.88×面积
文章浏览阅读748次。总结起来大概有5种做法:将要处理的文字写到一个资源文件,如string.xml(使用html用法格式化)当文字中出现URL、E-mail、电话号码等的时候,可以将TextView的android:autoLink属性设置为相应的的值,如果是所有的类型都出来就是**android:autoLink="all",当然也可以在java代码里 做,textView01.setAutoLinkMask(Li..._qaction::settext 无法添加下划线
文章浏览阅读6.3k次,点赞2次,收藏10次。摘要: 背景 随着近几年物联网的发展,时序数据迎来了一个不小的爆发。从DB-Engines上近两年的数据库类型增长趋势来看,时序数据库的增长是非常迅猛的。在去年我花了比较长的时间去了解了一些开源时序数据库,写了一个系列的文章(综述、HBase系、Cassandra系、InfluxDB、Prometheus),感兴趣的可以浏览。背景随着近几年物联网的发展,时序数据迎来了一个不小的爆发。从DB..._tablestore 时间类型处理
文章浏览阅读5.7k次,点赞8次,收藏49次。可以编译成功但是运行时段错误查找原因应该是ROS noetic版本中自带的OpenCV4和VINS-mono中需要使用的OpenCV3冲突的问题。为了便于查找问题,我只先编译feature_tracker包。解决思路历程:o想着把OpenCV4相关的库移除掉,但是发现编译feature_tracker的时候仍然会关联到Opencv4的库,查找原因是因为cv_bridge是依赖opencv4的,这样导致同时使用了opencv3和opencv4,因此运行出现段错误。oo进一步想着(1)把vins-mon_uabntu20.04安装vins-mono
文章浏览阅读3.6k次,点赞3次,收藏12次。创龙TL6748开发板中,EMIFA模块使用默认的PLL0_SYSCLK3时钟,使用AISgen for D800K008工具加载C6748配置文件C6748AISgen_456M_config(Configuration files,在TL_TMS6748/images文件夹下),由图可以看到DIV3等于4,注意这里的DIV3就是实际的分频值(x),而不是写入相应PLL寄存器的值(x-1)。_tms 6748
文章浏览阅读5.9k次,点赞4次,收藏13次。转载请说明出处:eigen稀疏矩阵拼接(块操作)eigen稀疏矩阵拼接(块操作)关于稀疏矩阵的块操作:参考官方链接 However, for performance reasons, writing to a sub-sparse-matrix is much more limited, and currently only contiguous sets of columns..._稀疏矩阵拼接
文章浏览阅读946次,点赞19次,收藏19次。波束形成是天线阵列信号处理中的一项关键技术,它通过对来自不同方向的信号进行加权求和,来增强特定方向的信号并抑制其他方向的干扰。本文介绍了两种基于 Capon 和信号子空间的变形算法,即最小方差无失真响应 (MVDR) 算法和最小范数算法,用于实现波束形成。这些算法通过优化波束形成权重向量,来最小化波束形成输出的方差或范数,从而提高波束形成性能。引言波束形成在雷达、声纳、通信和医学成像等众多应用中至关重要。它可以增强目标信号,抑制干扰和噪声,提高系统性能。
文章浏览阅读3.4w次。转自:http://www.linuxidc.com/Linux/2017-07/145335.htm使用Ubuntu开发已经有些时间了。写下这篇文章,希望记录下这一年的小小总结。使用Linux开发有很多坑,同时也有很多有趣的东西,可以编写一些自动化脚本,添加定时器,例如下班定时关机等自动化脚本,同时对于服务器不太了解的朋友,建议也可以拿台Linux来实践下,同时Ubuntu在Androi_ubuntu开发推荐软件
文章浏览阅读2.2k次。一,问题 nginx反向代理后,在应用中取得的ip都是反向代理服务器的ip,取得的域名也是反向代理配置的url的域名,解决该问题,需要在nginx反向代理配置中添加一些配置信息,目的将客户端的真实ip和域名传递到应用程序中。二,解决 Nginx服务器增加转发配置 proxy_set_header Host $host;_nginx获取到的是交换机的ip
文章浏览阅读1.4k次。Wireshark TCP数据包跟踪 还原图片 WinHex简单应用 _wireshark抓包还原图片
文章浏览阅读1.5k次。Win8下安装VS2012时,蓝屏,报错WHEA_UNCORRECTABLE_ERROR(P.S.新的BSOD挺有创意":("),Google之,发现[via]需要BIOS中禁用Intel C-State,有严重Bug的嫌疑哦原因有空再看看..._win8.1 whea_uncorrectable_error蓝屏代码
文章浏览阅读919次,点赞21次,收藏22次。科大讯飞是一家专业从事智能语音及语音技术研究、软件及芯片产品开发、语音信息服务的软件企业,语音技术实现了人机语音交互,使人与机器之间沟通变得像人与人沟通一样简单。语音技术主要包括语音合成和语音识别两项关键技术。此外,语音技术还包括语音编码、音色转换、口语评测、语音消噪和增强等技术,有着广阔的应用。_科大讯飞培训案例
文章浏览阅读4.7k次。Perl是一个高阶程式语言,由 Larry Wall和其他许多人所写,融合了许多语言的特性。它主要是由无所不在的 C语言,其次由 sed、awk,UNIX shell 和至少十数种其他的工具和语言所演化而来。Perl对 process、档案,和文字有很强的处理、变换能力,ActivePerl是一个perl脚本解释器。其包含了包括有 Perl for Win32、Perl for ISAPI、PerlScript、Perl。_perl下载