Det minstakvadratmetoden används ofta i uppgifter montering . Lösningen på ett minsta kvadratmetoden problem är koefficienten eller uppsättning koefficienter som minimerar summan av de kvadrerade residualerna . Förbättringarna är skillnaden mellan det verkliga värdet och de monterade value.Scientists och ingenjörer använder Matlab , ett program som utvecklats av MathWorks , att utföra minsta kvadrat analys . Du kan använda " fminsearch " -funktionen - men det kan vara mycket komplicerat och tidskrävande - eller kurvpassningsfunktion verktygslåda - vilket är dyrt . Alternativt kan du använda Ezyfit . Ezyfit är gratis , snabb och enkel att använda Matlab verktygslåda . Instruktioner
Ezyfit Installation
en
Ladda Ezyfit . Extrahera den till en mapp på din dator . Lägg inte till ditt Matlab katalog ( " Program Files /Matlab " ) .
2
Välj " File > Set Path ... " från menyraden och välj sedan mappen med Ezyfit att lägga Ezyfit till ditt Matlab sökväg .
3
Starta Matlab att ladda Ezyfit för första gången . Därefter kommer Ezyfit laddas automatiskt när du startar Matlab .
Generera Linear Sample Data
4
Typ " x = 0:1:100 " i Command-fönstret för att generera en serie av x-värden .
5
Typ "y = rand ( 1 , längd (x)) " för att slumpmässigt generera ett y-värde för varje x-värde.
6
typ " y = y . * ( x * 2 ) " för att skapa en gradient av 2 . Var noga med att använda array multiplikation " . * " Efter den andra y stället matris multiplikation " * " annars kommer att generera ett felmeddelande matris multiplikation .
7
Type " plot ( x , y , ' kx ' ) " för att plotta punkter på ett spridningsdiagram .
Utför minsta kvadratmetoden
8
Type " showfit ( ' a * x + b ' ) " till utföra en linjär minsta kvadrat-metoden. Ezyfit skriver ut lösningen , dvs värdena för de passande koefficienterna " a" och " b" och korrelationskoefficienten "R".
9
Type " showfit ( ' a * exp ( b * x) + c ') "för att utföra en exponentiella minsta kvadratanpassning .
10
Kontrollera att korrelationskoefficienten " R "för exponentiell anpassning är mindre än " R "-värdet för den linjära passform. Detta innebär att linjäranpassning är en bättre passform av data , som förväntat .