目錄

一、基本概念

二、概念的數(shù)學形式表達

三、確定w和b

1.讀取或輸入數(shù)據(jù)

2.歸一化、標準化

2.1 均值

2.2 歸一化

2.3 標準化

3.求解w和b

1.直接解方程

2.最小二乘法（least square method）求解：

4. 評估回歸模型

四、regress線性回歸命令

1.調函數(shù)解方程

2.對原始值和預測值進行繪圖

3. 畫殘差圖：

五、matlab顏色表

六、matlab調色板

1、常用顏色的RGB值

2、產(chǎn)生標準調色板的函數(shù)

---

一、基本概念

線性(linear)：

指量與量之間按比例、成直線的關系，在空間和時間上代表規(guī)則和光滑的運動，一階導數(shù)為常數(shù)

非線性(non-linear)：

指不按比例、不成直線的關系，代表不規(guī)則的運動和突變，一階導數(shù)不為常數(shù)。

一個線性的例子：

數(shù)據(jù)：工資和年齡（2個特征）

目標：預測銀行會貸款給我多少錢（標簽）

考慮：工資和年齡都會影響最終銀行貸款的結果，那么他們各自有多大的影響呢？（參數(shù)）

通俗的解釋：

x1,x2就是我們的兩個特征（年齡、工資），y是銀行最終會借給我們多少錢

找到最合適的一條線（想象一個高維）來最好的擬合我們的數(shù)據(jù)點

數(shù)學形式來了

二、概念的數(shù)學形式表達

給定數(shù)據(jù)集：

數(shù)據(jù)的矩陣形式：

?線性模型(linear model)試圖學得一個通過屬性組合的線性組合來進行預測的函數(shù)，即

用向量形式寫成:???

線性回歸(linear regression)試圖學得一個線性模型以盡可能準確地預測實值輸出標記

三、確定w和b

對離散屬性：

若屬性間存在“序”關系，可通過連續(xù)化將其轉化為連續(xù)值。

若屬性間不存在“序”關系，則轉化為k維向量。

1.讀取或輸入數(shù)據(jù)

matlab不需要導入庫，直接引用函數(shù) csvread 讀取csv數(shù)據(jù)文件

首先我們先看看csv數(shù)據(jù)的導入

% 引用函數(shù) csvread 讀取csv數(shù)據(jù)文件data = csvread('路徑',1,0) #從第二行，第0列讀取數(shù)據(jù)

?讀取數(shù)據(jù)后得分出和為X，何為Y

# matlab從1開始算，與實際一樣 X = data[:,1:4] # 1到4列所有的數(shù)據(jù)也就是實際的1到4列 Y = data[:, 6] # 第6列所有的數(shù)據(jù)也就是實際的第6列

?接下來我們看看自己建立矩陣的數(shù)據(jù)讀取方式

Y=[160260250];X=[70,35,175,40,2.465,42,3];

返回：

?

??說到矩陣了，就順便說一下

創(chuàng)建矩陣的相關知識：

(1) ones()函數(shù)：產(chǎn)生全為1的矩陣，ones(n)：產(chǎn)生n*n維的全1矩陣，ones(m,n)：產(chǎn)生m*n維的全1矩陣；
(2) zeros()函數(shù)：產(chǎn)生全為0的矩陣；
(3) rand()函數(shù)：產(chǎn)生在（0，1）區(qū)間均勻分布的隨機陣；
(4) eye()函數(shù)：產(chǎn)生單位陣；
(5) randn()函數(shù)：產(chǎn)生均值為0，方差為1的標準正態(tài)分布隨機矩陣。

2.歸一化、標準化

2.1 均值

# MATLAB直接引用mean()函數(shù)就好 X_mean = mean(X) Y_mean = mean(Y)

1. mean:計算向量均值。mean(x,1)列向量均值,mean(x,2)行向量均值。??mean2(x)矩陣均值.

2. std：計算向量均方差，std(x,0,1)列向量均方差,std(x,0,2)行向量均方差。 std2(x)矩陣均方差

3. var：計算向量方差，var(x)

4. sse：誤差平方和,sse(x)。越接近于0，說明擬合的越好，數(shù)據(jù)預測越成功。

5. mse：均方差平方和,mse(x)=sse(x)/N。意義同sse

6. R-square：確定系數(shù)。確定系數(shù)是通過數(shù)據(jù)的變化來表征一個擬合的好壞。由上面的表達式可以知道“確定系數(shù)”的正常取值范圍為[0 1]，越接近1，表明方程的變量對y的解釋能力越強，這個模型對數(shù)據(jù)擬合的也較好。

要想確定w和b，首先要視情況決定是否需要對數(shù)據(jù)進行歸一化或標準化

2.2 歸一化

%歸一化X=[70,35,175,40,2.465,42,3]; for X=XMappedX = (X-min(X))/(max(X)-min(X)) end %用函數(shù)mapminmax %默認的map范圍是[-1, 1]，所以如果需要[0, 1]，則按這樣的格式提供參數(shù):MappedData = mapminmax(OriginalData, 0, 1); % 只按行歸一化，如果是矩陣，則每行各自歸一化，如果需要對整個矩陣歸一化FlattenedData = OriginalData(:)'; % 展開矩陣為一列，然后轉置為一行。 MappedFlattened = mapminmax(FlattenedData, 0, 1); % 歸一化。% 還原為原始矩陣形式。此處不需轉置回去，因為reshape恰好是按列重新排序 MappedData = reshape(MappedFlattened, size(OriginalData));

2.3 標準化

% z-score 標準化 % 新數(shù)據(jù)=（原數(shù)據(jù)-均值）/標準差 % 標準化以后，X中元素的取值范圍為實數(shù)。X=zscore(X)

3.求解w和b

1.直接解方程

N = length(Y);A = X'*X-(N*X_mean'*X_mean); C=X'*Y - (N*X_mean'*Y_mean); B = (A^-1*C).'

2.最小二乘法（least square method）求解：

把數(shù)據(jù)集D表示為一個m*(d+1)大小的矩陣X，其中每行對應于一個示例，改行前d個元素對應于示例的d個屬性值，最好一個元素恒置為1，即

A=[1 2 3;4 5 6;7 8 9]; B = ones(3,1) %生成3行1列的1矩陣 % B=[1;1;1]; %一共三行，用“;”分開 A_column=[A B]; display(A_column);%輸出結果

當X^TX 為滿秩矩陣(full-rank matrix) 或正走矩陣(positive definite matrix) 時，令

得到

w = (X'*X)^-1*X'*Y %變量的系數(shù) w0 = Y_mean - X_mean*w %常數(shù)

?其中(X^TX)^-l是矩陣(X^TX)的逆矩陣.令xi = (xi ,l) ,則最終學得的多元線性回歸模型為

YY = X*w+w0 %Y的估計值

4. 評估回歸模型

%離差平方和 S = var(Y); fprintf('離差平方和S=：%d\n',S) %回歸平方和 U = var(YY); fprintf('回歸平方和U=：%d\n',U) %剩余平方和 Q=S-U; fprintf('剩余平方和Q=：%d\n',Q) %復可決系數(shù) R2 = U/S; fprintf('復可決系數(shù)R2=：%d\n',R2) %負相關系數(shù) R = sqrt(U/S); fprintf('復相關系數(shù)R=：%d\n',R) %回歸均方 % n= X_mean 的個數(shù) UU = U/n; fprintf('回歸均方=：%d\n',UU) %剩余均方 % N= Y的個數(shù) QQ = Q/(N-n-1); fprintf('剩余均方=：%d\n',QQ) %剩余標準差 s = sqrt(QQ); fprintf('剩余標準差s=：%d\n',s) %方程顯著性檢驗值 F = UU/QQ; fprintf('方差顯著性檢驗值F=：%d\n',F)

四、regress線性回歸命令

用于一元及多元線性回歸，本質上是最小二乘法。在Matlab 2014a中，輸入help regress?，會彈出和regress的相關信息

調用格式：

• B = regress(Y,X)
• [B,BINT] = regress(Y,X)
• [B,BINT,R] = regress(Y,X)
• [B,BINT,R,RINT] = regress(Y,X)
• B,BINT,R,RINT,STATS] = regress(Y,X)
• [...] = regress(Y,X,ALPHA)

參數(shù)解釋：

• B：回歸系數(shù)，是個向量（“the vector B of?regression coefficients?in the? linear model Y = X*B”）。
• BINT：回歸系數(shù)的區(qū)間估計（“a matrix BINT of 95% confidence intervals for B”）。
• R：殘差（ “a vector R of residuals”）。
• RINT：置信區(qū)間（“a matrix RINT of intervals that can be used to diagnose outliers”）。
• STATS：用于檢驗回歸模型的統(tǒng)計量。有4個數(shù)值：判定系數(shù)R^2，F統(tǒng)計量觀測值，檢驗的p的值，誤差方差的估計。
• ALPHA：顯著性水平（缺少時為默認值0.05）。

1.調函數(shù)解方程

% 方程求解函數(shù)使用 [b,bint,r,rint,stats] = regress(Y,X);

2.對原始值和預測值進行繪圖

x = 1:1:N; plot(x,Y,'-*b',x,YY,'-or'); %線性，顏色，標記% hold on; %表示在同一張圖上繼續(xù)作畫 % title('x'); %命名標題 % axis([0 1 0 10]) % 設置坐標軸在指定的區(qū)間 % xlabel('t'); %命名x軸 % ylabel('x'); %命名y軸 % grid on %顯示坐標軸網(wǎng)格線 % legend('Y','YY'); %*加標注，2條線分別代表是什么*

3. 畫殘差圖：

figure %創(chuàng)建窗口 rcoolot(r,rint) %繪制殘差圖

五、matlab顏色表

線型	說明	標記符	說明	顏色	說明
-	實線(默認)	+	加號符	r	紅色
--	雙劃線	o	空心圓	g	綠色
:	虛線	*	星號	b	藍色
:.	點劃線	.	實心圓	c	青綠色
		x	叉號符	m	洋紅色
		s(square)	正方形	y	黃色
		d	菱形	k	黑色
		^	上三角形	w	白色
		v	下三角形
		>	右三角形
		<	左三角形
		p(pentagram)	五角星
		h(hexagram)	六邊形
		square	正方形
		pentagram	五角形
		hexagram	六角形

六、matlab調色板

1、常用顏色的RGB值

??--------------------------------------------

? ? 顏色 ??R ? G ? B? ? ?顏色? ?R ? G? B

??--------------------------------------------

? ? ?黑? ? 0 ? 0? 1 ? ??洋紅 ? ?1? 0 ? 1

? ? ?白? ? 1 ? 1? 1 ? ??青藍 ? ?0? 1 ? 1

? ? ?紅? ? 1 ? 0? 0 ? ??天藍 0.67 0 ? 1

? ? ?綠? ? 0 ? 1? 0 ? ??橘黃 ? ?1 0.50

? ? ?藍? ? 0 ? 0? 1 ? ??深紅 ? 0.5 0 ?0

? ? ?黃? ? 1 ? 1? 0 ? ?? 灰 ? ?0.5 0.50.5 ? ? ?

??--------------------------------------------

??注意：MATLAB中調色板色彩強度[0,1]，0代表最暗，1代表最亮。

2、產(chǎn)生標準調色板的函數(shù)

??-------------------------------------------------

? ? 函數(shù)名 ?? ? 調色板

??-------------------------------------------------

? ? ?Hsv? ? ?色彩飽和度，以紅色開始，并以紅色結束

? ? ?Hot? ? ?黑色－紅色－黃色－白色

? ? ?Cool? ??青藍和洋紅的色度

? ? ?Pink? ? ?粉紅的色度

? ? ?Gray? ? ?線型灰度

? ? ?Bone? ??帶藍色的灰度

? ? ?Jet? ? ??Hsv的一種變形，以藍色開始，以藍色結束

? ? ?Copper? ?線型銅色度

? ? ?Prim? ? ?三棱鏡，交替為紅、橘黃、黃、綠和天藍

? ? ?Flag? ? ?交替為紅、白、藍和黑

--------------------------------------------------

缺省情況下，調用上述函數(shù)灰產(chǎn)生一個64×3的調色板，用戶也可指定調色板大小。

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎勵來咯，堅持創(chuàng)作打卡瓜分現(xiàn)金大獎

總結

以上是生活随笔為你收集整理的线性规划 —— matlab的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。