Funktionen > Datenanalyse > Kurvenanpassung > Kurvenanpassungsfunktionen
Kurvenanpassungsfunktionen
Wenn Sie eine Kurvenanpassung vornehmen, führen Sie eine einzige Funktion – im Sinne der Methode der kleinsten Quadrate – durch alle Datenpunkte. Diese Methode unterscheidet sich von der Interpolation, bei der abschnittsweise Funktionen durch angrenzende Datenpunkte geführt werden.
Wenn Sie Ihre Daten weiter analysieren oder ermitteln möchten, wie brauchbar eine gewählte Regression ist, möchten Sie vielleicht andere statistische Funktionen zur Datenanalyse anwenden.
Lineare und Median-Median-Regression
line, slope, intercept, stderr – Lineare Kleinste-Quadrate-Regression für Daten sowie der Standardfehler bei linearer Regression
medfit – Median-Median-Regression für Daten
Polynom- und rationale Funktionsregression
loess – Lokale Polynomregression
rationalfit, rationalfitnp – Kleinste-Quadrate-Regression einer rationalen Funktion
polyfit, polyfitc, polyfitstat – Multivariate Polynomregression
Nichtlineare Regression
genfit – Nichtlineare Kleinste-Quadrate-Regression für beliebige Ausgleichsfunktionen
expfit – Exponentielle Kleinste-Quadrate-Regression
lnfit, logfit – Logarithmische Kleinste-Quadrate-Regression
lgsfit – Kleinste-Quadrate-Regression einer logistischen Kurve
pwrfit – Kleinste-Quadrate-Regression einer Potenzkurve
sinfit – Kleinste-Quadrate-Regression der Sinusfunktion
Wenn Sie zusätzliche Informationen zu den Daten oder den Parametern der obigen Anpassungen hinzufügen möchten, wie die Standardabweichung der Daten, Grenzen der Parameter oder Bedingungsfunktionen, können Sie die Berechnung mithilfe der Funktion LeastSquaresFit detaillierter durchführen.
Andere Funktionen
linfit – Kleinste-Quadrate-Regression für eine beliebige lineare Kombination von Funktionen
multidfit – Allgemeine multivariate Anpassung
War dies hilfreich?