MATLAB 拟合完全指南

拟合是数据分析中的一项核心任务，其目标是找到一个函数（曲线或曲面），能够最好地描述一组数据点之间的关系，MATLAB 提供了强大的工具箱和函数来执行各种类型的拟合。

本教程将分为以下几个部分：

1. 核心概念：什么是拟合？
2. 基础入门：使用 polyfit 和 polyval 进行多项式拟合
3. 进阶工具：使用 Curve Fitting Toolbox™
   • 交互式拟合工具 (cftool)
   • 命令行拟合 (fit)
4. 高级主题：非线性拟合
   • 使用 fitnlm (推荐)
   • 使用 lsqcurvefit
5. 拟合结果评估与可视化
6. 完整实例：从数据到模型
7. 总结与建议

核心概念：什么是拟合？

假设我们有一组实验数据 (x, y)，我们相信这些数据背后存在一个潜在的函数关系 y = f(x)，但由于测量误差、噪声等因素，数据点并不会完美地落在 f(x) 上。

拟合的目标：找到一个模型函数 y = g(x)，使得 g(x) 尽可能地接近所有数据点。

• 模型：我们选择的函数形式，直线 (y = ax + b)、二次多项式 (y = ax² + bx + c)、指数函数 (y = a * e^(bx)) 等。
• 误差：模型预测值 g(x) 与实际观测值 y 之间的差异，通常使用最小二乘法来最小化所有数据点的误差平方和。

基础入门：多项式拟合

对于许多简单问题，多项式拟合是首选，MATLAB 提供了两个核心函数：

• p = polyfit(x, y, n)：执行 n 阶多项式拟合。
  • x, y：数据向量。
  • n：多项式的阶数。
  • 输出 p 是一个包含多项式系数的向量，p(1)*x^n + p(2)*x^(n-1) + ... + p(n+1)。
• y_fit = polyval(p, x)：使用 polyfit 得到的系数 p 来计算在 x 处的拟合值。

示例：线性拟合（一阶多项式）

% 1. 创建带有噪声的示例数据
x = (0:0.1:10)';
y = 2*x + 1 + randn(size(x)); % y = 2x + 1 + 噪声
% 2. 进行一阶多项式拟合 (即线性拟合)
p = polyfit(x, y, 1);
% 3. 查看拟合结果（系数）
disp('拟合得到的系数 (斜率, 截距):');
disp(p); % 应该接近 [2, 1]
% 4. 计算拟合值
y_fit = polyval(p, x);
% 5. 可视化结果
figure;
plot(x, y, 'o', 'MarkerFaceColor', 'b'); % 原始数据点
hold on;
plot(x, y_fit, 'r-', 'LineWidth', 2);    % 拟合曲线
xlabel('x');
ylabel('y');'线性拟合 (polyfit)');
legend('原始数据', '拟合直线', 'Location', 'northwest');
grid on;
hold off;

代码解释：

1. 我们生成了一条直线 y = 2x + 1 并添加了高斯噪声。
2. polyfit(x, y, 1) 告诉 MATLAB 用一条直线来拟合这些数据。
3. 输出的 p 向量是 [2.0123, 0.9876]（具体数值因随机噪声而异），非常接近真实的 [2, 1]。
4. polyval 使用这个系数向量来生成完整的拟合直线。
5. 绘图清晰地展示了原始数据点和拟合的直线。

进阶工具：Curve Fitting Toolbox™

对于更复杂的拟合需求（如自定义函数、拟合优度统计、置信区间等），强烈推荐使用 Curve Fitting Toolbox，它提供了两种主要方式：交互式工具和命令行函数。

1 交互式拟合工具 (cftool)

这是最简单、最直观的方式,无需编写大量代码。

1. 启动工具：在 MATLAB 命令窗口输入 cftool 并回车。
2. 导入数据：在弹出的窗口中，点击 "Data..." 按钮，选择你的 x 和 y 变量。
3. 选择拟合类型：
   • 在 "Fit Type" 选项卡中，你可以选择：
     • Polynomial：多项式拟合。
     • Exponential：指数拟合，如 a*exp(b*x)。
     • Fourier：傅里叶级数拟合。
     • Gaussian：高斯函数拟合。
     • Power：幂函数拟合，如 a*x^b。
     • Rational：有理式拟合。
     • Sum of Sinusoids：正弦函数和。
     • Weibull：威布尔分布拟合。
     • Custom Equation：最强大的功能,可以输入你自己的任意函数表达式。
4. 拟合与评估：选择好拟合类型和阶数后，点击 "Fit" 按钮，工具会自动完成拟合，并在结果窗口中显示：
   • 拟合方程。
   • 拟合系数及其置信区间。
   • 拟合优度统计：R-square (决定系数)、SSE (误差平方和)、RMSE (均方根误差) 等。R-square 越接近 1，拟合效果越好。
   • 残差图。
5. 导出结果：你可以将拟合模型、方程、图形等导出到 MATLAB 工作区或文件中。

2 命令行拟合 (fit 函数)

如果你需要将拟合过程自动化或集成到脚本中，可以使用 fit 函数。

% 1. 准备数据 (与之前相同)
x = (0:0.1:10)';
y = 2*x + 1 + randn(size(x));
% 2. 使用 fit 函数进行拟合
% 'poly1' 表示一阶多项式 (linear)
% 'poly2' 表示二阶多项式 (quadratic)
% fittype('exp1') 表示指数函数 a*exp(b*x)
[fit_model, gof] = fit(x, y, 'poly1');
% 3. 查看拟合结果
disp('拟合模型:');
disp(fit_model);
disp('拟合优度:');
disp(gof); % 包含 R-square, SSE, RMSE 等信息
% 4. 使用模型进行预测
x_new = 12;
y_new = fit_model(x_new);
fprintf('在 x = %d 处的预测值为: %.4f\n', x_new, y_new);
% 5. 绘制结果
figure;
plot(fit_model, x, y); % cftool 生成的精美图形
xlabel('x');
ylabel('y');'使用 fit 函数进行线性拟合');

代码解释：

1. fit(x, y, 'poly1') 直接创建了一个线性拟合模型。
2. 输出 fit_model 是一个 cfit 对象，它封装了所有拟合信息，包括系数、方程等，你可以像调用函数一样使用它，fit_model(12)。
3. 输出 gof (goodness of fit) 是一个结构体,包含了评估拟合质量的各项指标。

高级主题：非线性拟合

当数据不能用简单的多项式或预定义函数描述时，就需要使用非线性拟合,你需要提供一个自定义的函数形式。

1 使用 fitnlm (推荐)

fitnlm (Fit Nonlinear Model) 是 Curve Fitting Toolbox 中的首选函数,功能强大且输出信息丰富。

步骤：

1. 定义非线性函数：创建一个 .m 文件或使用匿名函数来定义你的模型。
2. 提供初始猜测值：非线性拟合需要一个好的起点,否则可能收敛到局部最优解。
3. 调用 fitnlm。

示例：拟合指数衰减函数 y = a * exp(b*x) + c

% 1. 创建数据
x = (0:0.1:5)';
y = 10 * exp(-0.5*x) + 2 + randn(size(x)); % y = 10*exp(-0.5x) + 2 + 噪声
% 2. 定义非线性函数 (使用匿名函数)
% 注意：函数的输入必须是 (x, 参数1, 参数2, ...)
my_fun = @(x, a, b, c) a * exp(b*x) + c;
% 3. 提供初始猜测值 [a, b, c]
% 这是非常关键的一步！观察数据，y的初始值约为12，所以a+c≈12，衰减很快，b应为负数。
start_point = [12, -1, 0];
% 4. 调用 fitnlm
% 'Robust', 'on' 可以使拟合对异常值更稳健
nlm_model = fitnlm(x, y, my_fun, start_point, 'Robust', 'on');
% 5. 查看结果
disp('非线性拟合模型系数:');
disp(nlm_model.Coefficients);
% 6. 绘制结果
figure;
scatter(x, y, 'b'); hold on;
% 使用 fitted 函数获取所有拟合点
plot(x, fitted(nlm_model), 'r-', 'LineWidth', 2);
xlabel('x');
ylabel('y');'非线性拟合 (fitnlm)');
legend('原始数据', '拟合曲线', 'Location', 'northwest');
grid on;
hold off;

2 使用 lsqcurvefit

lsqcurvefit 在 Optimization Toolbox 中，它是最小化平方和的通用工具,更底层。

% 1. 准备数据 (与上面相同)
x = (0:0.1:5)';
y = 10 * exp(-0.5*x) + 2 + randn(size(x));
% 2. 定义函数 (注意：函数的第一个参数必须是系数向量)
fun = @(params, x_data) params(1) * exp(params(2)*x_data) + params(3);
% 3. 提供初始猜测值
start_point = [12, -1, 0];
% 4. 调用 lsqcurvefit
% options = optimoptions('lsqcurvefit', 'Display', 'iter'); % 可选，查看迭代过程
params_fit = lsqcurvefit(fun, start_point, x, y);
% 5. 查看结果
disp('lsqcurvefit 拟合得到的系数:');
disp(params_fit);
% 6. 绘制结果 (与上面类似)
y_fit_lsq = fun(params_fit, x);
figure;
scatter(x, y, 'b'); hold on;
plot(x, y_fit_lsq, 'g-', 'LineWidth', 2);
xlabel('x');
ylabel('y');'非线性拟合 (lsqcurvefit)');
legend('原始数据', '拟合曲线', 'Location', 'northwest');
grid on;
hold off;

fitnlm vs lsqcurvefit：

• fitnlm：更高级，专为拟合设计，直接提供拟合优度统计、系数置信区间、残差分析等,非常适合统计分析。
• lsqcurvefit：更通用，是优化工具箱的一部分，它只找到使误差最小的参数，不提供统计信息，如果你只需要参数值而不关心统计推断,它也可以用。

拟合结果评估与可视化

一个好的模型不仅要拟合数据,还要有良好的泛化能力。

• R-square (决定系数)：
  • 范围在 0 到 1 之间。
  • 值越接近 1,表示模型能解释数据中越多的变异性。
  • 警告：增加模型复杂度（如提高多项式阶数）总会使 R-square 增大,可能导致过拟合。
• Adjusted R-square (调整 R-square)：
  • 在 R-square 的基础上考虑了模型中自变量的数量。
  • 在比较不同复杂度的模型时，它比 R-square 更可靠。
• SSE (Sum of Squares Due to Error)：误差平方和,值越小越好。
• RMSE (Root Mean Squared Error)：均方根误差，与因变量的单位相同,直观地表示了预测值的平均误差大小。
• 残差图：绘制残差 (实际值 - 预测值) 与预测值或自变量的图。
  • 一个好的模型，其残差图应该呈现随机、无序地分布在 y=0 附近。
  • 如果残差图呈现出明显的模式（如曲线、喇叭形），则说明模型可能遗漏了某些重要信息（应该用更高阶的项或不同的函数形式）。

完整实例：从数据到模型

假设我们有以下数据，并相信它符合 y = a * x^b 的关系。

% 1. 数据准备
x_data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10];
y_data = [2.1, 5.5, 11.2, 19.8, 31.5, 45.9, 63.2, 83.1, 105.8, 131.2];
% 2. 探索性绘图 - 看起来像幂函数关系
figure;
plot(x_data, y_data, 'o');
xlabel('x');
ylabel('y');'原始数据散点图');
grid on;
% 3. 尝试幂函数拟合 (使用 cftool 的命令行版本)
power_model = fit(x_data', y_data', 'power1');
disp('幂函数拟合结果 (y = a*x^b):');
disp(power_model);
% 4. 评估拟合效果
figure;
plot(power_model, x_data', y_data'); % cftool 风格图
xlabel('x');
ylabel('y');'幂函数拟合结果');
% 5. 检查残差
residuals = y_data - power_model(x_data');
figure;
plot(x_data, residuals, 'o');
hold on;
plot([min(x_data), max(x_data)], [0, 0], 'r--'); % 画 y=0 参考线
xlabel('x');
ylabel('残差');'残差图');
grid on;
% 6. (可选) 线性化拟合 (对数变换)
% 对 y = a*x^b 两边取对数: log(y) = log(a) + b*log(x)
log_x = log(x_data);
log_y = log(y_data);
% 线性拟合 log(y) vs log(x)
p_log = polyfit(log_x, log_y, 1);
a_log = exp(p_log(2)); % a = exp(log(a))
b_log = p_log(1);       % b 就是斜率
fprintf('\n通过线性化拟合得到的参数:\n');
fprintf('a = %.4f, b = %.4f\n', a_log, b_log);
% 绘制线性化拟合结果
figure;
plot(log_x, log_y, 'o', 'MarkerFaceColor', 'b');
hold on;
y_fit_log = polyval(p_log, log_x);
plot(log_x, y_fit_log, 'r-', 'LineWidth', 2);
xlabel('log(x)');
ylabel('log(y)');'线性化拟合 (log-log space)');
legend('log数据', '拟合直线', 'Location', 'northwest');
grid on;

实例分析：

1. 初步绘图提示我们数据可能符合幂律关系。
2. 使用 fit 函数直接拟合 power1 模型,非常方便。
3. 检查残差图，发现点随机分布在零附近，没有明显模式,说明幂函数模型是一个不错的选择。
4. 我们还展示了线性化方法，这是一种经典的技巧，但对于带噪声的数据，直接非线性拟合 (fitnlm 或 cftool) 通常更稳定和准确。

总结与建议

学习路径建议：

1. 从 cftool 开始：用它来理解不同类型的拟合和评估指标。
2. 掌握 polyfit：用于处理简单的线性或多项式关系。
3. 学习 fit：当你需要将拟合过程放入脚本时。
4. 深入 fitnlm：当你遇到复杂的、自定义的非线性模型时,这是你的终极武器。

希望这份详尽的教程能帮助你掌握 MATLAB 拟合！多动手实践，尝试不同的数据和模型,你会很快上手的。