❶ 【高分求助】Matlab拟合问题！！！！我已知两组数据，用polyfit拟合后，得出P值，但是将数据回带后误差很大
6次拟合，误差小点
x=[1.9 2.2 2.7 3.0 3.4 3.6 3.9 4.0 5.1 6.8 8.5 9.2 10.7 11.6 12.9 15.3 17.1 18 19 20 21.6 22.4 23.7 24 26.8 33.7 36.7 44.9 57 67 72 81 98 116 122 140 190 210 220 231 267 680 950 1210 1370 1430 1470 1480 1500 1500];
y=[11 12 13 14 15 16 17 19 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 120 140 160 180 200 250 300 350 400 450 500 600 700 800 900 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000];
plot(x,y,'green')
p=polyfit(x,y,6);
y1=p(1)*x.^6+p(2)*x.^5+p(3)*x.^4+p(4)*x.^3+p(5)*x.^2+p(6)*x+p(7);
x2 = 1:1500;
y2=p(1)*x2.^6+p(2)*x2.^5+p(3)*x2.^4+p(4)*x2.^3+p(5)*x2.^2+p(6)*x2+p(7);
hold on
plot(x,y1,'red')
plot(x2,y2,'b')
hold off
% axis([10,11000,1,1600]);
xlabel('功率/mw');
ylabel('电压');
❷ SVR进行回归预测时为什么误差那个大
1、参数设置问题，-c,-g,-p的设置都会影响，一般都是通过GA,PSO,CV等方法进行优化参数，选择最适合的参数。
2、样本问题，可能输入样本没有结果归一化预处理。
❸ 多项式回归后公式，曲线非常吻合，但是验证时却发现偏差比较大，不知为什么。
楼主验证的结果误差大，应该是因为你做的是整体回归，也就是说一次就把所有的点用完了，这样造成的结果往往是回归出的结果多项式次数过高，这样就导致在回归点以外的地方多项式震荡非常剧烈，误差很大。若要减小误差，可以进行分段回归，从而降低震荡；或者回归成更合适的函数而不用多项式，比如用对数函数或者指数函数等。
❹ Excel处理疫情数据做多元线性回归拟合很好误差却很大
一是过度拟合，二是直接用多元线性回归怕不是太好，可能得考虑什么生存函数之类的
❺ spss非线性回归 标准误差很大怎么办
要先核实原始数据的质量，然后考究是否存在多重共线性等问题，原因很多的，要逐一分析
❻ 多元logistic回归分析标准误很大是什么原因
logistic回归与多重线性回归一样，在应用之前也是需要分析一下资料是否可以采用logistic回归模型。并不是说因变量是分类变量我就可以直接采用logistic回归，有些条件仍然是需要考虑的。 首要的条件应该是需要看一下自变量与因变量之间是什么样的一种关系。多重线性回归中，要求自变量与因变量符合线性关系。而logistic回归则不同，它要求的是自变量与logit（y）符合线性关系，所谓logit实际上就是ln（P/1-P）。也就是说，自变量应与ln（P/1-P）呈线性关系。当然，这种情形主要针对多分类变量和连续变量。对于二分类变量就无所谓了，因为两点永远是一条直线。 这里举一个例子。某因素y与自变量x之间关系分析，y为二分类变量，x为四分类变量。如果x的四分类直接表示为1，2，3，4。则分析结果为p=0.07，显示对y的影响在0.05水准时无统计学意义，而如果将x作为虚拟变量，以1为参照，产生x2，x3，x4三个变量，重新分析，则结果显示：x2，x3，x4的p值分别为0.08，0.05和0.03。也就是说，尽管2和1相比无统计学意义，但3和1相比，4和1相比，均有统计学意义。 为什么会产生如此结果？实际上如果仔细分析一下，就可以发现，因为x与logit（y）并不是呈线性关系。而是呈如下图的关系： 这就是导致上述差异的原因。从图中来看，x的4与1相差最大，其次是2，3与1相差最小。实际分析结果也是如此，上述分析中，x2，x3，x4产生的危险度分别为3.1，2.9，3.4。 因此，一开始x以1，2，3，4的形式直接与y进行分析，默认的是认为它们与logit（p）呈直线关系，而实际上并非如此，因此掩盖了部分信息，从而导致应有的差异没有被检验出来。而一旦转换为虚拟变量的形式，由于虚拟变量都是二分类的，我们不再需要考虑其与logit（p）的关系，因而显示出了更为精确的结果。 最后强调一下，如果你对自变量x与y的关系不清楚，在样本含量允许的条件下，最好转换为虚拟变量的形式，这样不至于出现太大的误差。 如果你不清楚应该如何探索他们的关系，也可以采用虚拟变量的形式，比如上述x，如果转换的虚拟变量x2，x3，x4他们的OR值呈直线关系，那x基本上可以直接以1，2，3，4的形式直接与y进行分析。而我们刚才也看到了，x2，x3，x4的危险度分别为3.1，2.9，3.4。并不呈直线关系，所以还是考虑以虚拟变量形式进行分析最好。
❼ 为什么遗传算法优化后的的神经网络得到的仿真结果误差比不优化的还大呢求高手解答。
有可能不优化的结果出现了过拟合现象
❽ 为什么Excel做多元线性回归拟合很好误差却很大
说明你拟合的函数不是太完美，需要调整函数类型和参数。具体情况具体分析。
❾ 将测试值带入回归曲线后差别较大是什么原因呢
不知道你要怎样比较预测值和真实值，比如计算一下残差值，或者计算一下均方误差之类？
在Linear Regression对话框，点Save按钮，会出现Linear Regression: Save对话框，在Predicted Values（预测值）和Resials（残差）栏都选Unstandardized，会在数据表中输出预测值和残差，然后你想怎么比较都行。
判断模型是否有预测能力，其实就是模型检验，模型检验除了统计意义上的检验，还有实际意义上的检验，就是检验是否跟事实相符，比如收入与消费应该是正相关的，如果消费为被解释变量、收入为解释变量，如果收入的系数小于零，那肯定是不对的。
统计意义上的检验，包括参数的T检验，方程的F检验，还要检验残差是否白噪声。
检验模型是否具有外推预测能力，还可以这样做：比如，你收集了一个容量为50的样本，你可以用其中的48个样本点估计模型，然后估计另两个样本点，把估计值跟实际值做一个比较。