最小二乘法拟合
曲线拟合思想
由实验或观测提供的数据往往很多,我们希望由给定的数据 ,构造出近似函数 ,不要求 完全通过所有的数据点,只要求所得的近似曲线能反映出数据的基本趋势。
定义拟合函数在 处的残差 ,最小二乘法拟合曲线的要求便是 最小。
直线拟合
对于给定的数据点 ,求拟合直线 ,使总误差最小。记 ,令 $\left\{\begin{matrix}\frac{\partial F}{\partial a_0}=2\sum\limits_{i=1}^m(a_0+a_1x_i-y_i)=0\\\frac{\partial F}{\partial a_1}=2\sum\limits_{i=1}^m(a_0+a_1x_i-y_i)x_i=0\end{matrix}\right.$,得到方程 $\left\{\begin{matrix}a_0m+a_1\sum\limits_{i=1}^mx_i=\sum\limits_{i=1}^m y_i\\a_0\sum\limits_{i=1}^m x_i+a_1\sum\limits_{i=1}^mx_i^2=\sum\limits_{i=1}^m x_iy_i\end{matrix}\right.$,求解此方程即可求出拟合直线。
多项式拟合
有事所给数据点的分布并不一定近似地呈一条直线,这时可用多项式拟合。对于给定的数据 ,寻求次数不超过 的多项式 ,来拟合给定的数据,要求 最小。
本博客所有文章除特别声明外,均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自 11D_Beyonder's Blog!