在日常生活和科学实验中,人们会经常发现因变量y和自变量x之间存在一定线性关系设一组数据为:
则y与x的关系可以用线性方程表示:
按最小二乘法可得:
线性关系的程度可以用相关系数r表示
所以,如果想在图象框中根据已知的多个存在线性关系的点描出相应的离所有的点最靠近的直线,应该利用以上一元线性回归的方法,代码如下:
Private Sub Command1_Click()
Picture1.Scale (0, 20)-(12, 0) '设置坐标范围
Dim p(4, 1) As Double, i As Integer
For i = 0 To 4
p(i, 0) = Choose(i + 1, 1.2, 3.7, 4.1, 5.1, 8.3)
p(i, 1) = Choose(i + 1, 2.2, 6.4, 7.8, 10.1, 15.8)
Next ' 定义五个点
drawline Picture1, p '画出过五个点的直线
End Sub
Sub drawline(ByVal pic As PictureBox, ByRef p() As Double)
Dim sigmax As Double, sigmay As Double, sigmaxx As Double, sigmaxy As Double, n As Integer
Dim i As Long
Dim a As Double, b As Double '截距斜率
Dim x0 As Double, y0 As Double, x1 As Double, y1 As Double '定义两端点
n = UBound(p) - LBound(p) + 1 '点的个数
For i = LBound(p) To UBound(p)
Picture1.Circle (p(i, 0), p(i, 1)), Picture1.ScaleWidth / 200, vbRed '描点
Picture1.CurrentX = p(i, 0)
Picture1.CurrentY = p(i, 1)
Picture1.ForeColor = vbBlue
Picture1.Print "(" & p(i, 0) & ","; p(i, 1) & ")" '数据标志
sigmax = sigmax + p(i, 0) 'Σx
sigmay = sigmay + p(i, 1) 'Σy
sigmaxx = sigmaxx + p(i, 0) ^ 2 'Σx^2
sigmaxy = sigmaxy + p(i, 0) * p(i, 1) 'Σx*y
Next
a = (sigmaxx * sigmay - sigmax * sigmaxy) / (n * sigmaxx - sigmax ^ 2) '截距
b = (n * sigmaxy - sigmax * sigmay) / (n * sigmaxx - sigmax ^ 2) '斜率
x0 = Picture1.ScaleLeft
y0 = a + b * x0 '左端点
x1 = Picture1.ScaleLeft + Picture1.ScaleWidth
y1 = a + b * x1 '右端点
Picture1.Line (x0, y0)-(x1, y1), vbGreen '回归直线
End Sub
结果如下图所示:
<v:shapetype o:spt="75" coordsize="21600,21600" filled="f" stroked="f" id="_x0000_t75" path="m@4@5l@4@11@9@11@9@5xe" o:preferrelative="t"> </v:shapetype>
<v:shapetype o:spt="75" coordsize="21600,21600" filled="f" stroked="f" id="_x0000_t75" path="m@4@5l@4@11@9@11@9@5xe" o:preferrelative="t"><v:stroke joinstyle="miter"></v:stroke><v:formulas><v:f eqn="if lineDrawn pixelLineWidth 0"></v:f><v:f eqn="sum @0 1 0"></v:f><v:f eqn="sum 0 0 @1"></v:f><v:f eqn="prod @2 1 2"></v:f><v:f eqn="prod @3 21600 pixelWidth"></v:f><v:f eqn="prod @3 21600 pixelHeight"></v:f><v:f eqn="sum @0 0 1"></v:f><v:f eqn="prod @6 1 2"></v:f><v:f eqn="prod @7 21600 pixelWidth"></v:f><v:f eqn="sum @8 21600 0"></v:f><v:f eqn="prod @7 21600 pixelHeight"></v:f><v:f eqn="sum @10 21600 0"></v:f></v:formulas><v:path o:extrusionok="f" o:connecttype="rect" gradientshapeok="t"></v:path><o:lock v:ext="edit" aspectratio="t"></o:lock></v:shapetype>
<v:stroke joinstyle="miter"></v:stroke><v:formulas><v:f eqn="if lineDrawn pixelLineWidth 0"></v:f><v:f eqn="sum @0 1 0"></v:f><v:f eqn="sum 0 0 @1"></v:f><v:f eqn="prod @2 1 2"></v:f><v:f eqn="prod @3 21600 pixelWidth"></v:f><v:f eqn="prod @3 21600 pixelHeight"></v:f><v:f eqn="sum @0 0 1"></v:f><v:f eqn="prod @6 1 2"></v:f><v:f eqn="prod @7 21600 pixelWidth"></v:f><v:f eqn="sum @8 21600 0"></v:f><v:f eqn="prod @7 21600 pixelHeight"></v:f><v:f eqn="sum @10 21600 0"></v:f></v:formulas><v:path o:extrusionok="f" o:connecttype="rect" gradientshapeok="t"></v:path><o:lock v:ext="edit" aspectratio="t"></o:lock>
分享到:
相关推荐
使C#语言实现最小二乘法的一元线性回归
利用最小二乘法做线性回归,计算残差。
用MATLAB实现最小二乘法一元线性拟合,并求出预测直线的斜率与截距。
最小二乘法 最小二乘法_使用Python实现的基于最小二乘法的一元线性回归方程
用Matlab进行最小二乘法线性拟合求传感器非线性误差灵敏度.pdf用Matlab进行最小二乘法线性拟合求传感器非线性误差灵敏度.pdf用Matlab进行最小二乘法线性拟合求传感器非线性误差灵敏度.pdf用Matlab进行最小二乘法线性...
一元线性回归方程,采用最小二乘法,VS2008下运行通过,有注释,可以直接使用。
在进行曲线拟合时用的最多的是最小二乘法,其中以一元函数(线性)和多元函数(多项式)居多,下面这个类专门用于进行多项式拟合,可以根据用户输入的阶次进行多项式拟合,算法来自于网上,和GSL的拟合算法对比过,...
主要介绍了C#直线的最小二乘法线性回归运算方法,实例分析了给定一组点,用最小二乘法进行线性回归运算的实现技巧,具有一定参考借鉴价值,需要的朋友可以参考下
这是机器学习中最常见的模型--线性回归的python实现,其中包含了最小二乘法和梯度下降法两种拟合算法
代码 一元线性回归代码代码 一元线性回归代码代码 一元线性回归代码代码 一元线性回归代码代码 一元线性回归代码代码 一元线性回归代码代码 一元线性回归代码代码 一元线性回归代码代码 一元线性回归代码代码 一元...
一元线性回归模型与最小二乘法及其C++实现,
最小二乘法非线性曲线参数拟合-最小二乘法原理及其MATLAB实现.pdf (初学者--我)最近正在研究matlab最小二乘法非线性拟合问题,昨天在论坛里求教,但没有人给予解答。只好自己查找相关文献,觉得其中最有用的一篇...
用matlab编写实现最小二乘法多元线性拟合,可以得到最终拟合方程,并画出预测的回归系数直方图
首先输入实验数据的对数 (一个x和一个y算一对) 然后输入x值和y值 全部输入结束时会被询问是否修改实验数据。如果修改,输入y,否则输入n 然后输入B类不确定度,随后显示最终结果 如有问题或建议,请和我联系:...
最小二乘法拟合工具,手动输入数据,自动计算拟合
普通最小二乘估计对数据进行一元线性回归分析原理,附详细推导
matlab实现最小二乘法拟合数据,可以直接使用
【MATLAB实战应用源代码】MATLAB实现最小二乘法函数多元线性回归&多项式拟合.zip
使用C#的Mathnet类库实现最小二乘法非线性拟合 作者:linbor tinka
一元线性回归,最小二乘法,C++语言VS2008下调试通过,可直接使用,有注释。