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 Name,Value парные аргументы.

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 Name,Value парные аргументы.

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 Name,Value парные аргументы.

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

Если Method соглашается, непустые значения для свойств в options2 замените соответствующие значения в options1 в newOptions.
Если Method отличается, newOptions содержит options1 значение 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 Weights свойства, и затем соответствуют 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 smooth параметр возвращен в третьем выходном аргументе fit функция.

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, смотрите 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)

Figure contains an axes object. The axes object contains an object of type line.

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  (-1.486, 1.195)
       b1 =       9.725  (-14.71, 34.15)
       c1 =       7.117  (-15.84, 30.07)
       a2 =       14.06  (-1.958e+04, 1.961e+04)
       b2 =       607.1  (-3.194e+05, 3.207e+05)
       c2 =         376  (-9.739e+04, 9.814e+04)

plot(gfit,x,gdata)

Figure contains an axes object. The axes object contains 2 objects of type line. These objects represent data, fitted curve.

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 c1C2 .

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

В качестве альтернативы 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)

Figure contains an axes object. The axes object contains 2 objects of type line. These objects represent data, fitted curve.

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 подходящие опции модели

Создайте линейный подходящий тип модели.

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

`libraryModelName` — Модель Library, чтобы соответствовать
вектор символов | строковый скаляр

Модель Library, чтобы соответствовать в виде вектора символов или строкового скаляра. 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 | string

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

Тип модели, чтобы соответствовать в виде fittype созданный с fittype функция. Используйте это, чтобы работать с подходящими опциями для пользовательских моделей.

`fitOptions` — Опции алгоритма
`fitoptions`

Опции алгоритма в виде fitoptions объект создал использование fitoptions функция.

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

Опции алгоритма, чтобы объединиться, созданное использование fitoptions функция.

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

Опции алгоритма, чтобы объединиться, созданное использование fitoptions функция.

Аргументы name-value

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и 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 сосредоточиться и масштабировать данные
`'off'` (значение по умолчанию) | `'on'`

Опция, чтобы сосредоточиться и масштабировать данные в виде разделенной запятой пары, состоящей 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 в виде разделенной запятой пары, состоящей из 'Exclude' и один из:

Выражение, описывающее логический вектор, например, x > 10.
Вектор из 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 в виде разделенной запятой пары, состоящей из 'Weights' и вектор тот же размер как количество точек данных.

Типы данных: double

`Method` — Подходящий метод
`'None'` (значение по умолчанию) | `'NearestInterpolant` | `'LinearInterpolant'` | `'PchipInterpolant'` | `CubicSplineInterpolant'` | ...

Подходящий метод в виде разделенной запятой пары, состоящей из 'Method' и один из подходящих методов в этой таблице.

Подбор кривой методу	Описание
`'NearestInterpolant'`	Интерполяция по ближайшему соседу
`'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 | string

Сглаживание опций

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

Сглаживание параметра в виде разделенной запятой пары, состоящей из 'SmoothingParam' и скалярное значение между 0 и 1. Значение по умолчанию зависит от набора данных. Только доступный, если Method 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 в виде разделенной запятой пары, состоящей из 'Span' и скалярное значение между 0 и 1. Только доступный, если Method 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 в виде разделенной запятой пары, состоящей из 'Robust' и одно из этих значений:

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

Доступный, когда Method LinearLeastSquares или NonlinearLeastSquares.

Типы данных: char

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

Нижние границы на коэффициентах, которые будут адаптированы в виде разделенной запятой пары, состоящей из 'Lower' и вектор. Значением по умолчанию является пустой вектор, 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 coeffnames функция. Для примера смотрите fit. Отдельные неограниченные нижние границы могут быть заданы -Inf.

Доступный, когда Method LinearLeastSquares или NonlinearLeastSquares.

Типы данных: double

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

Верхние границы на коэффициентах, которые будут адаптированы в виде разделенной запятой пары, состоящей из 'Upper' и вектор. Значением по умолчанию является пустой вектор, 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 coeffnames функция. Для примера смотрите fit. Отдельные неограниченные верхние границы могут быть заданы +Inf.

Доступный, когда Method LinearLeastSquares или NonlinearLeastSquares.

Типы данных: логический

Опции нелинейного метода наименьших квадратов