目录 最小二乘法最小二乘法解释最小二乘法求解最小二乘法求解 评价拟合的好坏拟合优度R^2(前提：参数线性)R^2应用条件（线性函数）拟合优度计算
与插值问题不同，拟合问题不需要曲线一定经过给定的点。拟合问题的目标是寻求一个函数（曲线），使得该曲线在某种准则下与所有的数据点最为接近，即曲线拟合的最好。也就是说，插值是经过给定的散点，拟合是总体距离最优，不一定经过所有的点。所以，样本量多的话，是采用拟合的。
最小二乘法 最小二乘法解释 最小二乘法求解 这里的拟合函数是线性函数，我们可以看到推理过程，其中的推理结果用到拟合优度R^2的计算上。
最小二乘法求解 clear;clcload data1plot(x,y,'o')% 给x和y轴加上标签xlabel('x的值')ylabel('y的值')n = size(x,1);k = (n*sum(x.*y)-sum(x)*sum(y))/(n*sum(x.*x)-sum(x)*sum(x))b = (sum(x.*x)*sum(y)-sum(x)*sum(x.*y))/(n*sum(x.*x)-sum(x)*sum(x))hold on % 继续在之前的图形上来画图形grid on % 显示网格线f=@(x) k*x+b;fplot(f,[2.5,7]);legend('样本数据','拟合函数','location','SouthEast') 评价拟合的好坏 拟合优度R^2(前提：参数线性) 由于神经网络是线性的，所以可用。
R^2应用条件（线性函数） 线性函数举例
拟合优度计算 y_hat = k*x+b; % y的拟合值SSR = sum((y_hat-mean(y)).^2) % 回归平方和SSE = sum((y_hat-y).^2) % 误差平方和SST = sum((y-mean(y)).^2) % 总体平方和SST-SSE-SSRR_2 = SSR / SST