Документация

fitOptions = fitoptions создает подходящий объект fitOptions опций по умолчанию.

fitOptions = fitoptions(libraryModelName) создает подходящий объект опций по умолчанию для модели библиотеки.

fitOptions = fitoptions(libraryModelName,Name,Value) создает подходящие опции для заданной модели библиотеки с дополнительными опциями, заданными одним или несколькими аргументами пары Name,Value.

fitOptions = fitoptions(fitType) получает подходящий объект опций для заданного fitType. Используйте этот синтаксис, чтобы работать с подходящими опциями для пользовательских моделей.

fitOptions = fitoptions(Name,Value) создает подходящие опции с дополнительными опциями, заданными одним или несколькими аргументами пары Name,Value.

newOptions = fitoptions(fitOptions,Name,Value) изменяет существующий подходящий объект fitOptions опций и возвращает обновленные приспособленные опции в newOptions с новыми опциями, заданными одним или несколькими аргументами пары Name,Value.

newOptions = fitoptions(options1,options2) объединяется существующие подходящие опции возражает options1 и options2 в newOptions.

Если Method соглашается, непустые значения для свойств в options2 заменяют соответствующие значения в options1 в newOptions.
Если Method отличается, newOptions содержит значение options1 для Method и значения от options2 для Normalize, Exclude и Weights.

Примеры

Измените опции подгонки значения по умолчанию, чтобы нормировать данные

Создайте подходящий объект опций по умолчанию и установите опцию сосредотачивать и масштабировать данные перед подбором кривой.

options = fitoptions;
options.Normal = 'on'

options =

    Normalize: 'on'
      Exclude: [1x0 double]
      Weights: [1x0 double]
       Method: 'None'

Создайте опции подгонки значения по умолчанию для гауссовой подгонки

options = fitoptions('gauss2')

options =

        Normalize: 'off'
          Exclude: []
          Weights: []
           Method: 'NonlinearLeastSquares'
           Robust: 'Off'
       StartPoint: [1x0 double]
            Lower: [-Inf -Inf 0 -Inf -Inf 0]
            Upper: [1x0 double]
        Algorithm: 'Trust-Region'
    DiffMinChange: 1.0000e-08
    DiffMaxChange: 0.1000
          Display: 'Notify'
      MaxFunEvals: 600
          MaxIter: 400
           TolFun: 1.0000e-06
             TolX: 1.0000e-06

Установите опции аппроксимации полиномом

Создайте подходящие опции для кубического полинома и установите центр и шкалу и устойчивые подходящие опции.

options = fitoptions('poly3', 'Normalize', 'on', 'Robust', 'Bisquare')

options =

    Normalize: 'on'
      Exclude: []
      Weights: []
       Method: 'LinearLeastSquares'
       Robust: 'Bisquare'
        Lower: [1x0 double]
        Upper: [1x0 double]

Создайте подходящие опции для линейного метода наименьших квадратов

options = fitoptions('Method', 'LinearLeastSquares')

options =

    Normalize: 'off'
      Exclude: []
      Weights: []
       Method: 'LinearLeastSquares'
       Robust: 'Off'
        Lower: [1x0 double]
        Upper: [1x0 double]

Используйте идентичные подходящие опции в нескольких подгонках

Изменение подходящего объекта опций по умолчанию полезно когда это необходимо, чтобы установить Normalize, Exclude или свойства Weights, и затем соответствовать вашим данным с помощью тех же опций с различными подходящими методами. Например, следующее использование те же подходящие опции, чтобы соответствовать различным типам модели библиотеки.

load census
options = fitoptions;
options.Normalize = 'on';
f1 = fit(cdate,pop,'poly3',options);
f2 = fit(cdate,pop,'exp1',options);
f3 = fit(cdate,pop,'cubicspline',options)

f3 = 
     Cubic interpolating spline:
       f3(x) = piecewise polynomial computed from p
       where x is normalized by mean 1890 and std 62.05
     Coefficients:
       p = coefficient structure

Найдите и измените опцию подгонки сглаживания

Найдите параметр сглаживания. Информационно-зависимые подходящие опции, такие как параметр smooth возвращены в третьем выходном аргументе функции fit.

load census
[f,gof,out] = fit(cdate,pop,'SmoothingSpline');
smoothparam = out.p

smoothparam = 0.0089

Измените параметр сглаживания значения по умолчанию для новой подгонки.

options = fitoptions('Method','SmoothingSpline',...
                     'SmoothingParam',0.0098);
[f,gof,out] = fit(cdate,pop,'SmoothingSpline',options);

Примените содействующие границы, чтобы улучшить гауссову подгонку

Создайте Гауссову подгонку, осмотрите доверительные интервалы и задайте опции подгонки нижней границы, чтобы помочь алгоритму.

Создайте шумную сумму двух Гауссовых peaks, один с маленькой шириной, и один с большой шириной.

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*(rand(size(x))-.5);
plot(x,gdata)

Соответствуйте данным с помощью модели библиотеки Gaussian 2D термина.

gfit = fit(x,gdata,'gauss2')

gfit = 
     General model Gauss2:
     gfit(x) =  a1*exp(-((x-b1)/c1)^2) + a2*exp(-((x-b2)/c2)^2)
     Coefficients (with 95% confidence bounds):
       a1 =      -0.145  (-1.485, 1.195)
       b1 =       9.725  (-14.71, 34.15)
       c1 =       7.117  (-15.84, 30.07)
       a2 =       14.06  (-1.956e+04, 1.959e+04)
       b2 =         607  (-3.193e+05, 3.205e+05)
       c2 =       375.9  (-9.735e+04, 9.81e+04)

plot(gfit,x,gdata)

Алгоритм испытывает затруднения, как обозначено широкими доверительными интервалами для нескольких коэффициентов.

Чтобы помочь алгоритму, задайте нижние границы для неотрицательных амплитуд a1 и a2 и ширины c1, c2.

options = fitoptions('gauss2', 'Lower', [0 -Inf 0 0 -Inf 0]);

Также можно установить свойства подходящих опций с помощью формы options.Property = NewPropertyValue.

options = fitoptions('gauss2');
options.Lower = [0 -Inf 0 0 -Inf 0];

Повторно вычислите подгонку с помощью связанных ограничений на коэффициенты.

gfit = fit(x,gdata,'gauss2',options)

gfit = 
     General model Gauss2:
     gfit(x) =  a1*exp(-((x-b1)/c1)^2) + a2*exp(-((x-b2)/c2)^2)
     Coefficients (with 95% confidence bounds):
       a1 =       1.005  (0.966, 1.044)
       b1 =          -1  (-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)

plot(gfit,x,gdata)

Это - намного лучшая подгонка. Можно далее улучшить подгонку путем присвоения рыночной стоимости другим свойствам в подходящем объекте опций.

Скопируйте и объедините подходящие опции

Создайте подходящие опции и установите нижние границы.

options = fitoptions('gauss2', 'Lower', [0 -Inf 0 0 -Inf 0])

options =

        Normalize: 'off'
          Exclude: []
          Weights: []
           Method: 'NonlinearLeastSquares'
           Robust: 'Off'
       StartPoint: [1x0 double]
            Lower: [0 -Inf 0 0 -Inf 0]
            Upper: [1x0 double]
        Algorithm: 'Trust-Region'
    DiffMinChange: 1.0000e-08
    DiffMaxChange: 0.1000
          Display: 'Notify'
      MaxFunEvals: 600
          MaxIter: 400
           TolFun: 1.0000e-06
             TolX: 1.0000e-06

Сделайте новую копию подходящих опций и измените устойчивый параметр.

newoptions = fitoptions(options, 'Robust','Bisquare')

newoptions =

        Normalize: 'off'
          Exclude: []
          Weights: []
           Method: 'NonlinearLeastSquares'
           Robust: 'Bisquare'
       StartPoint: [1x0 double]
            Lower: [0 -Inf 0 0 -Inf 0]
            Upper: [1x0 double]
        Algorithm: 'Trust-Region'
    DiffMinChange: 1.0000e-08
    DiffMaxChange: 0.1000
          Display: 'Notify'
      MaxFunEvals: 600
          MaxIter: 400
           TolFun: 1.0000e-06
             TolX: 1.0000e-06

Объедините подходящие опции.

options2 = fitoptions(options, newoptions)

options2 =

        Normalize: 'off'
          Exclude: []
          Weights: []
           Method: 'NonlinearLeastSquares'
           Robust: 'Bisquare'
       StartPoint: [1x0 double]
            Lower: [0 -Inf 0 0 -Inf 0]
            Upper: [1x0 double]
        Algorithm: 'Trust-Region'
    DiffMinChange: 1.0000e-08
    DiffMaxChange: 0.1000
          Display: 'Notify'
      MaxFunEvals: 600
          MaxIter: 400
           TolFun: 1.0000e-06
             TolX: 1.0000e-06

Измените пользовательские образцовые подходящие опции

Создайте линейный образцовый подходящий тип.

lft = fittype({'x','sin(x)','1'})

lft = 
     Linear model:
     lft(a,b,c,x) = a*x + b*sin(x) + c

Получите подходящие опции для подходящего типа lft.

fo = fitoptions(lft)

fo =

    Normalize: 'off'
      Exclude: []
      Weights: []
       Method: 'LinearLeastSquares'
       Robust: 'Off'
        Lower: [1x0 double]
        Upper: [1x0 double]

Установите нормировать подходящую опцию.

fo.Normalize = 'on'

fo =

    Normalize: 'on'
      Exclude: []
      Weights: []
       Method: 'LinearLeastSquares'
       Robust: 'Off'
        Lower: [1x0 double]
        Upper: [1x0 double]

Входные параметры

Модель `libraryModelName` — Library, чтобы соответствовать
символьный вектор

Модель Library, чтобы соответствовать, заданный как вектор символов. Эта таблица показывает некоторые типичные примеры.

Имя модели библиотеки	Описание
`'poly1'`	Линейная полиномиальная кривая
`'poly11'`	Линейная полиномиальная поверхность
`'poly2'`	Квадратичная полиномиальная кривая
`'linearinterp'`	Кусочная линейная интерполяция
`'cubicinterp'`	Кусочная кубичная интерполяция
`'smoothingspline'`	Сглаживание сплайна (кривая)
`'lowess'`	Локальная линейная регрессия (поверхность)

Для списка имен модели библиотеки смотрите Имена модели и уравнения.

Пример: 'poly2'

Типы данных: char

`fitType` — Тип модели, чтобы соответствовать
`fittype`

Тип модели, чтобы соответствовать, заданный как fittype, созданный с функцией fittype. Используйте это, чтобы работать с подходящими опциями для пользовательских моделей.

`fitOptions` — Опции алгоритма
`fitoptions`

Опции алгоритма, заданные как объект fitoptions, создали использование функции fitoptions.

`options1` — Опции алгоритма, чтобы объединиться
`fitoptions`

Опции алгоритма, чтобы объединиться, созданное использование функции fitoptions.

`options2` — Опции алгоритма, чтобы объединиться
`fitoptions`

Опции алгоритма, чтобы объединиться, созданное использование функции fitoptions.

Аргументы в виде пар имя-значение

Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми. Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: 'Method','NonlinearLeastSquares','Lower',[0,0],'Upper',[Inf,max(x)],'Startpoint',[1 1] задает подходящий метод, границы и стартовые точки.

Опции для всех подходящих методов

`'Normalize'` — Опция, чтобы центрироваться и масштабировать данные
`'off'` (значение по умолчанию) | `'on'`

Опция, чтобы центрироваться и масштабировать данные, заданные как пара, разделенная запятой, состоящая из 'Normalize' и 'on' или 'off'.

Типы данных: char

`'Exclude'` — Точки, чтобы исключить из подгонки
выражение | индексирует вектор | логический вектор | пустой

Точки, чтобы исключить из подгонки, заданной как пара, разделенная запятой, состоящая из 'Exclude' и один из:

Выражение, описывающее логический вектор, например, x > 10.
Вектор целых чисел, индексирующих точки, вы хотите исключить, например, [1 10 25].
Логический вектор для всех точек данных, где true представляет выброс, созданный excludedata.

Для примеров смотрите fit.

`'Weights'` — Веса для подгонки
[] (значение по умолчанию) | вектор

Веса для подгонки, заданной как пара, разделенная запятой, состоящая из 'Weights' и вектора тот же размер как количество точек данных.

Типы данных: double

`'Method'` — Подходящий метод
`'None'` (значение по умолчанию) | вектор символов

Подходящий метод, заданный как пара, разделенная запятой, состоящая из 'Method' и один из подходящих методов в этой таблице.

Подбор кривой методу	Описание
`'NearestInterpolant'`	Самая близкая соседняя интерполяция
`'LinearInterpolant'`	Линейная интерполяция
`'PchipInterpolant'`	Кусочная кубическая интерполяция Эрмита (изгибается только),
`'CubicSplineInterpolant'`	Интерполяция кубическим сплайном
`'BiharmonicInterpolant'`	Бигармоническая поверхностная интерполяция
`'SmoothingSpline'`	Сглаживание сплайна
`'LowessFit'`	Сглаживание Lowess (появляется только),
`'LinearLeastSquares'`	Линейный метод наименьших квадратов
`'NonlinearLeastSquares'`	Нелинейный метод наименьших квадратов

Типы данных: char

Сглаживание опций

`'SmoothingParam'` — Сглаживание параметра
скалярное значение в области значений (0,1)

Сглаживание параметра, заданного как пара, разделенная запятой, состоящая из 'SmoothingParam' и скалярного значения между 0 и 1. Значение по умолчанию зависит от набора данных. Только доступный, если Method является SmoothingSpline.

Типы данных: double

`'Span'` — Пропорция точек данных, чтобы использовать в локальных регрессиях
0,25 (значения по умолчанию) | скалярное значение в области значений (0,1)

Пропорция точек данных, чтобы использовать в локальных регрессиях, заданных как пара, разделенная запятой, состоящая из 'Span' и скалярного значения между 0 и 1. Только доступный, если Method является LowessFit.

Типы данных: double

Линейный и опции нелинейного метода наименьших квадратов

`'Robust'` — Устойчивый линейный метод наименьших квадратов подходящий метод
`'off'` (значение по умолчанию) | `'LAR'` | `'Bisquare'`

Устойчивый линейный метод наименьших квадратов подходящий метод, заданный как пара, разделенная запятой, состоящая из 'Robust' и одно из этих значений:

'LAR' задает наименее абсолютный остаточный метод.
'Bisquare' задает bisquare метод весов.

Доступный, когда Method является LinearLeastSquares или NonlinearLeastSquares.

Типы данных: char

`ниже` Нижние границы на коэффициентах, которые будут адаптированы
[] (значение по умолчанию) | вектор

Нижние границы на коэффициентах, которые будут адаптированы, заданные как пара, разделенная запятой, состоящая из 'Lower' и вектора. Значение по умолчанию является пустым вектором, указывая, что подгонка неограничена нижними границами. Если границы заданы, длина вектора должна равняться количеству коэффициентов. Найдите порядок записей для коэффициентов в векторном значении при помощи функции coeffnames. Для примера смотрите fit. Отдельные неограниченные нижние границы могут быть заданы -Inf.

Доступный, когда Method является LinearLeastSquares или NonlinearLeastSquares.

Типы данных: double

`верхний` Верхние границы на коэффициентах, которые будут адаптированы
[] (значение по умолчанию) | вектор

Верхние границы на коэффициентах, которые будут адаптированы, заданные как пара, разделенная запятой, состоящая из 'Upper' и вектора. Значение по умолчанию является пустым вектором, указывая, что подгонка неограничена верхними границами. Если границы заданы, длина вектора должна равняться количеству коэффициентов. Найдите порядок записей для коэффициентов в векторном значении при помощи функции coeffnames. Для примера смотрите fit. Отдельные неограниченные верхние границы могут быть заданы +Inf.

Доступный, когда Method является LinearLeastSquares или NonlinearLeastSquares.

Типы данных: логический

Опции нелинейного метода наименьших квадратов