前言
最近学到了很多回归分析的知识，使用了一些常用的Matlab命令。 在这里写总结。
回归分析是指研究几个变量之间的关系。 如果你也喜欢分析数据，这个技巧是基本的。 (PS )高级的是机器学习。 ）
1 regress命令
用于一元和多元线性回归，本质上是最小二乘法。 在Matlab 2014a中，输入help regress会弹出有关regress的信息并组织起来。
调用格式：
B=regress(Y，x ) [ b，BINT]=regress(Y，x ) [ b，BINT，r，RINT]=regress(Y，x )
参数说明：
b :回归系数、向量(“thevectorbofregressioncoefficientsinthelinearmodely=x * b”)。 BINT :回归系数的区间估计(" amatrixbintof 95 % confidenceintervalsforb " )。 r :“批准”。 rint:" amatrixrintofintervalsthatcanbeusedtodiagnoseoutliers "。 STATS :用于验证回归模型的统计量。 有判定系数r ^ 2、f统计量观测值、检验的p值、误差方差估计值4个数值。 如果缺少alpha (显著性级别)，则为默认值0.05 )。
2注册函数例程
目标函数： y=Ax1^2 Bx1^2 Cx1 Dx2 Ex1*x2 F (这是二次函数，两个变量，大写为常数) ) ) ) ) ) ) ) ) ) )。
%导入数据y=[ 7613.517850.918381.869142.8110813.68631.438124.949429.7910230.81 . 10163.619737.568561 x1=[ 76667704814885718679770464715870528938153352927582591 ] '； x2=[ 16.2216.8517.9317.2817.23171918.2216.313.3711.6210.369.839.25 ]’； x=[Ones(size ) y ) ) x1.^2 x2.^2 x1 x2 x1.*x2] %分析开始[b，bint，r，rint，stats]=regress(y，x )；
结果截图：
b是对应的参数b(1)为f )最后的常数项)，b )2)为a )最初的参数)，b )3)为b，b )4)为c，b )4)为d，b )5)为e。 bint是b的95%置信区间。
比较重要的stats分析：
stats的第三个参数是f检验的p值，p值较小(P0.001 )，表明拟合模型是有效的。 (这里的分析技巧，以后有时间的话，我会专业总结的。 ）
(注)是乘法的意思，)前面的数是矩阵的系数。 ）
让我们可视化一下数据。
在%以下绘图中看到拟合效果的pre name=' code ' class=' CPP ' % scatter3(x1，x2，y，' filled ' ) ) scatter可用于创建散点图
截图：
随后的分析如下
%拟合，三维视图显示hold on %在刚才的散点图之后画x1fit=min(x1 ) :1003360max ) x1 )。 设置%x1的数据间隔x2fit=min(x2 ) :1:max ) x2 )。 设置%x2的数据间隔[X1FIT，x2fit]=meshgrid(x1fit，x2fit )； 生成%2维网格平面。 也可以说生成X1FIT。 X2FIT的坐标yfit=b(1) b )2) x1fit.^2b )3) X2FIT.^2b )4) x1fit.b )5) x2fit )6)。%代入已经求得的参数，拟合第一个10表示方位角，第二个表示俯视角。 %方位角相当于球坐标中的经度，平面角相当于球坐标中的纬度xlabel(x1 ) )设定x轴的名称xlabel(x1 ) )设定y轴的名称z label (y ) )设定z轴的名称/span
最终结果截图：
参考文献：
http://wenku.baidu.com/link？ URL=hkcnqvfa 7s0tr1_ I7gorh _ JB its G3 CGG G8 r dxhn-1 ac3 rsghbcwce2bykvudl 6jh 2n 84 qv _ GD N2 zh bj1 coghlnrr 84f c8 hvmnvt 8a F8 ybcu