Ciencias sociales Estudio de modelado matemático de Xiaobai Notas-Ajuste de datos de Matlab

	 在数学建模中，数据拟合是非常基础的一个操作，在人文社科研究中，所做的实证工作大部分是要得到两个或多个变量之间的变动关系，包括方向和程度。因此，学习数据拟合是简单的，带来的回报却是丰厚的。
	 数据关系可以分为线性的和非线性的，操作方法分为直接借助matlab自带的curve fitting tool和自己编写程序，但无论是哪一种方法，我都建议先绘制散点图看一下数据分布情况，给数据类型下一个初步的判断。
	 matlab自带的curve fitting tool非常便捷，我使用的2010年版功能没有2016年版本的强大，但胜在体积小，不会太占内存。如果对这个工具箱是刚需的话，还是建议安装2016版本的。因此，下面有些图片是我截图2010的，有些是网上copy下来2016的。操作方式都是输入变量矩阵之后，输入cftool回车，调出工具箱页面。

Luego, establezca xey en los datos, y luego vaya al ajuste para encontrar una función adecuada. La mía es obviamente la regresión lineal, así que elegí polinomiel y luego tracé la imagen.

Vi que la página de la caja de herramientas de la versión 2016 de matlab en Internet también tiene opciones como resultado. La interfaz es muy clara. Roba una foto y ponla aquí.

Hay muchos otros modos en la caja de herramientas, todos los cuales se pueden seleccionar desde el ajuste, así que desarrollémoslo lentamente.
Personalmente, prefiero escribir código, así que no me importa cuál sea el nombre de mi función, siempre que sepa cómo expresarlo. Las tres funciones más utilizadas son polyfit, fittype e inline. De hecho, la codificación es similar.
polyfit es adecuado para el ajuste lineal por mínimos cuadrados y el ámbito de aplicación es relativamente pequeño. Permítanme dar un ejemplo:
>> x = [2,3,5,7,9];

y = [4,6,8,10,12];
a = polyfit (x, y, 2)

a =

-0,0436 1,5741 1,2799

y = polyval (a, x)

y =

4.2538    5.6098    8.0603   10.1618   11.9144
第三条里面的2是指x^2，同理你也可以写3进行三阶拟合。2阶拟合的结果是y=a+bx+cx^2，三阶同理。
哎我的字怎么变小了？
fittype和inline的使用范围更加广泛，写法大同小异，放两个例子：

x = [1; 1,5; 2; 2,5; 3]; y = [0,9; 1,7; 2,2; 2,6; 3];
p = tipo de ajuste ('poli1')
f = ajuste (x, y, p)

p =

 Linear model Poly1:
 p(p1,p2,x) = p1*x + p2

f =

 Linear model Poly1:
 f(x) = p1*x + p2
 Coefficients (with 95% confidence bounds):
   p1 =        1.02  (0.7192, 1.321)
   p2 =        0.04  (-0.5981, 0.6781)	
   下面是inline的
     x=[3.2,3.6,3.8,4,4.2,4.5,4.8,5,5.3,5.4,5.6,5.8,6,6.2,6.4,6.6,6.9,7.1]';

y=[0.38,0.66,1,0.77,0.5,0.33,0.66,0.83,0.33,1,0.33,0.5,0.33,0.71,0.71,1,0.87,0.83]’;

y = [0.38,0.66,1,0.77,0.5,0.33,0.66,0.83,0.33,1,0.33,0.5,0.33,0.71,0.71,1,0.87,0.83] ';
myfunc = en línea ('1 ./ (beta (1) + beta (2). * exp (-x))', 'beta', 'x');

beta0 = [0.2,0.2] ';

beta = nlinfit (x, y, myfunc, beta0)

beta =

1.4591
8.0539
   
   本人是初学者，欢迎指教批评，互相学习，谢谢