线性算法函数

㈠ matlab，有哪些是线性回归算法！

2015a版的matlab有如下的线形回归算法。
方法名 函数名 说明
1.多元线性回归 fitlm 具有多个预测变量的线性回归
2.逐步回归 stepwise 交互式逐步回归
3多目标的多元线性回归 mvregress 使用多变量输出的线性回归
4有正则化的多元线性回归 lasso 使用弹性网正则化的多元线性回归
5有正则化的多元线性回归 ridge Ridge回归

㈡ 线性规划问题 矩阵算法 检验数是怎么求出来的

【图解】换基迭代、检验数，非常直观！

1. 单纯形法基本思想

• 先找一个基可行解（顶点），判断是否为最优解。

• 如果是，那么找到啦，结束。

• 如果不是，则沿着可行域的边缘移动，保证这条边缘的移动方向 让目标函数值不断增大，直至挪到另一个顶点；判断该顶点是否最优解，不是则继续移动，直到找到最优解为止。

简而言之，找基解 → 验证最优性 → 换基迭代。

2. 转换到相邻基可行解（即 挪到下一个顶点）

首先，只变换一个基变量，可以得到两个相邻的基可行解（定理），即：

红色方块为目标函数对决策变量的系数，直观理解为 每多造一个特定产品的收益。

如果该顶点移到两侧相邻顶点的检验数 σ 都 ≤ 0，则该顶点是最优解。

如果有帮助，请采纳回答吧~ :）

㈢ 线性插值法计算公式是什么

线性插值法计算公式：Y=Y1+(Y2-Y1)×(X-X1)/(X2-X1)。其中Y2>Y1，X2>X>X1。线性插值是指插值函数为一次多项式的插值方式，其在插值节点上的插值误差为零。线性插值相比其他插值方式，如抛物线插值，具有简单、方便的特点。线性插值可以用来近似代替原函数，也可以用来计算得到查表过程中表中没有的数值。

线性插值使用的原因

目前，线性插值算法使用比较广泛。在很多场合我们都可以使用线性插值。其中，最具代表性的使用方法是变量之间的对应关系没有明确的对应关系，无法使用公式来描述两个变量之间的对应关系，在这种情况下使用线性插值是比较好的解决办法。可以在变量的变化区间上取若干个离散的点，以及对应的输出值，然后将对应关系分成若干段，当计算某个输入对应的输出时，可以进行分段线性插值。

㈣ 线性回归算法原理（越详细越好）

线性回归是利用数理统计中的回归分析，来确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法之一，运用十分广泛。

分析按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。

如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。

我们以一简单数据组来说明什么是线性回归。假设有一组数据型态为y=y(x)，其中

x={0,1,2,3,4,5},y={0,20,60,68,77,110}

如果我们要以一个最简单的方程式来近似这组数据，则非一阶的线性方程式莫属。先将这组数据绘图如下

图中的斜线是我们随意假设一阶线性方程式y=20x，用以代表这些数据的一个方程式。以下将上述绘图的MATLAB指令列出，并计算这个线性方程式的y值与原数据y值间误差平方的总合。

>>x=[012345];

>>y=[020606877110];

>>y1=20*x;%一阶线性方程式的y1值

>>sum_sq=sum(y-y1).^2);%误差平方总合为573

>>axis([-1,6,-20,120])

>>plot(x,y1,x,y,'o'),title('Linearestimate'),grid

如此任意的假设一个线性方程式并无根据，如果换成其它人来设定就可能采用不同的线性方程式；所以我们须要有比较精确方式决定理想的线性方程式。我们可以要求误差平方的总合为最小，做为决定理想的线性方程式的准则，这样的方法就称为最小平方误差(leastsquareserror)或是线性回归。MATLAB的polyfit函数提供了从一阶到高阶多项式的回归法，其语法为polyfit(x,y,n)，其中x,y为输入数据组n为多项式的阶数，n=1就是一阶的线性回归法。polyfit函数所建立的多项式可以写成

从polyfit函数得到的输出值就是上述的各项系数，以一阶线性回归为例n=1，所以只有二个输出值。如果指令为coef=polyfit(x,y,n)，则coef(1)=,coef(2)=,...,coef(n+1)=。注意上式对n阶的多项式会有n+1项的系数。我们来看以下的线性回归的示范：

>>x=[012345];

>>y=[020606877110];

>>coef=polyfit(x,y,1);%coef代表线性回归的二个输出值

>>a0=coef(1);a1=coef(2);

>>ybest=a0*x+a1;%由线性回归产生的一阶方程式

>>sum_sq=sum(y-ybest).^2);%误差平方总合为356.82

>>axis([-1,6,-20,120])

>>plot(x,ybest,x,y,'o'),title('Linearregressionestimate'),grid

[编辑本段]线性回归拟合方程

一般来说，线性回归都可以通过最小二乘法求出其方程，可以计算出对于y=bx+a的直线，其经验拟合方程如下：

㈤ 什么是线性时间算法

计算公式：K（N）=AO（N）+B

线性时间
在计算复杂性理论，一个被称为线性时间或 Ο（n）时间的算法，表示此算法解题所需时间正比于输入资料的大小，通常以n表示。换句话说，执行时间与输入资料大小为线性比例。例如将一列数字加总的所需时间，正比于串行的长度。