必威体育Betway必威体育官网
当前位置:首页 > IT技术

数学建模常用模型05 :多元回归模型

时间:2019-10-02 15:45:41来源:IT技术作者:seo实验室小编阅读:63次「手机版」
 

数学建模模型

1 基本知识介绍

1.1回归模型的引入

由于客观事物内部规律的复杂性及人们认识程度的限制,无法分析实际对象内在的因果关系,建立合乎机理规律的数学模型。所以在遇到有些无法用机理分析建立数学模型的时候,通常采取搜集大量数据的办法,基于对数据的统计分析去建立模型,其中用途最为广泛的一类随即模型就是统计回归模型

回归模型确定的变量之间是相关关系,在大量的观察下,会表现出一定的规律性,可以借助函数关系式来表达,这种函数就称为回归函数或回归方程

1.2回归模型的分类

2 用回归模型解题的步骤

回归模型解题步骤主要包括两部分,一:确定回归模型属于那种基本类型,然后通过计算得到回归方程的表达式;二:是对回归模型进行显著性检验。

一:①根据试验数据画出散点图;

   ②确定经验公式的函数类型;

③通过最小二乘法得到正规方程组;

④求解方程组,得到回归方程的表达式。

二:①相关系数检验,检验线性相关程度的大小;

②F检验法(这两种检验方法可以任意选);

③残差分析;

④对于多元回归分析还要进行因素的主次排序;

   如果检验结果表示此模型的显著性很差,那么应当另选回归模型了。

3模型的转化

非线性的回归模型可以通过线性变换转变为线性的方程来进行求解:例如

函数关系式:可以通过线性变换:转化为一元线性方程组来求解,对于多元的也可以进行类似的转换。

4举例

例1(多元线性回归模型):已知某湖八年来湖水中COD浓度实测值(y)与影响因素湖区工业产值(x1)、总人口数(x2)、捕鱼量(x3)、降水量(x4)资料,建立污染物y的水质分析模型。

   (1)输入数据

   x1=[1.376, 1.375, 1.387, 1.401, 1.412, 1.428, 1.445, 1.477]

   x2=[0.450, 0.475, 0.485, 0.500, 0.535, 0.545, 0.550, 0.575]

x3=[2.170 ,2.554, 2.676, 2.713, 2.823, 3.088, 3.122, 3.262]

   x4=[0.8922, 1.1610 ,0.5346, 0.9589, 1.0239, 1.0499, 1.1065, 1.1387]

   y=[5.19, 5.30, 5.60,5.82,6.00, 6.06,6.45, 6.95]

   (2)保存数据(以数据文件.mat形式保存,便于以后调用)

   save  data x1 x2 x3 x4 y

   load data  (取出数据)

   (3)执行回归命令

   

[b,bint,r,rint,stats] = regress(y,x)

得结果:

   b = (-16.5283,15.7206,2.0327,-0.2106,-0.1991)’

stats = (0.9908,80.9530,0.0022)

即:\hat y= -16.5283 + 15.7206xl + 2.0327x2 – 0.2106x3 + 0.1991x4

       {R^2} = 0.9908,F = 80.9530,P = 0.0022

  通过查表可知,{R^2}代表决定系数(R代表相关系数),它的值很接近与1,说明此方程是高度线性相关的;

F检验值为80.9530远大于{F_{0.05}}(4,3) = 9.12,可见,检验结果是显著的。

例2(非线性回归模型)非线性回归模型可由命令nlinfit来实现,调用格式为

   [beta,r,j] = nlinfit(x,y,'model’,beta0)

   其中,输人数据x,y分别为n×m矩阵和n维列向量,对一元非线性回归,x为n维列向量model是事先用 m-文件定义的非线性函数,beta0是回归系数的初值, beta是估计出的回归系数,r是残差,j是jacobian矩阵,它们是估计预测误差需要的数据。

预测和预测误差估计用命令

[y,delta] = nlpredci(’model’,x,beta,r,j)

如:对实例1中COD浓度实测值(y),建立时序预测模型,这里选用logistic模型。即

   y = \frac{a}{{1 + b{e^{ - ct}}}}

(1)对所要拟合的非线性模型建立的m-文件mode1.m如下:

function yhat=model(beta,t)

yhat=beta(1)./(1+beta(2)*exp(-beta(3)*t))

(2)输人数据

t=1:8

load data y(在data.mat中取出数据y)

beta0=[50,10,1]’

(3)求回归系数

[beta,r,j]=nlinfit(t’,y’,’model’,beta0)

得结果:

beta=(56.1157,10.4006,0.0445)’

 \hat y = \frac{{56.1157}}{{1 + 10.4006{e^{ - 0.0445t}}}}

(4)预测及作图

   [yy,delta] = nlprodei(’model’,t’,beta,r,j);

   plot(t,y,’k+’,t,yy,’r’)

   3.逐步回归

   逐步回归的命令是stepwise,它提供了一个交互式画面,通过此工具可以自由地选择变量,进行统计分析。调用格式为:

   stepwise(x,y,inmodel,alpha)

   其中x是自变量数据,y是因变量数据,分别为n×m和n×l矩阵,inmodel是矩阵的列数指标(缺省时为全部自变量),alpha,为显著性水平(缺省时为0.5)

   结果产生三个图形窗口,在stepwise plot窗口,虚线表示该变量的拟合系数与0无显著差异,实线表示有显著差异,红色线表示从模型中移去的变量;绿色线表明存在模型中的变量,点击一条会改变其状态。在stepwise Table窗口中列出一个统计表,包括回归系数及其置信区间,以及模型的统计量剩余标准差(RMSE),相关系数 (R-square),F值和P值。

例3、主成份分析

主成份分析主要求解特征值和特征向量,使用命令 eig(),调用格式为

   [V,D] = eig(R)   

   其中R为X的相关系数矩阵,D为R的特征值矩阵,V为特征向量矩阵

   实例3:对实例1中变量进行主成份成析

   (1)调用数据

   load data

   x =

   (2)计算相关系数矩阵

   R = corrcoef(x)

   (3)求特征根、特征向量

  [V,D] = eig(R)

得结果:

按特征根由大到小写出各主成份

第一主成份

f1 = 0.5438xl+0.5505x2+0.5387x3+0.3332x4

方差贡献率为3.1863/4 = 79.66%

第二主成份

f2 = -0.1693xl-0.1588x2 –0.2484x3 +0.9404x4

方差贡献率为0.7606/4 = 19.12%

第三主成份

f3 = -0.7597x1 + 0.0930x2 + 0.6418x3 + 0.0485x4

方差贡献率为0.0601/4=1.5%

相关阅读

马洛斯需求层次模型在用户体验中的理解

马洛斯的需求模型在各行各业的产品分析中均有设计; 在互联网产品的设计中我们可以理解为: 满足需求->可用->易用->好用->用户愉悦

【Keras】DNN神经网络模型

DNN(Deep Neural Network)神经网络模型又叫全连接神经网络,是基本的深度学习框架。与RNN循环神经网络、CNN卷积神经网络的区别就是

【sklearn第十八讲】神经网络模型

机器学习训练营——机器学习爱好者的自由交流空间(入群联系qq:2279055353) 多层感知器 多层感知器(Multi-layer Perceptron, MLP)是

E-R模型和关系模型

E-R图也称实体-联系图(Entity Relationship Diagram),提供了表示实体类型、属性和联系的方法,用来描述现实世界的概念模型。弱实体(

排队论模型

排队论模型 1. 模型背景 排队论发源于上世纪初。当时美国贝尔电话公司发明了自动电话,以适应日益繁忙的工商业电话通讯需要。这

分享到:

栏目导航

推荐阅读

热门阅读