plot
cfit または sfit オブジェクトのプロット
構文
説明
曲面
plot(___, は、曲面についての前述の構文の任意の入力引数の組み合わせに加え、1 つ以上の名前と値の引数を使用してオプションを指定します。たとえば、プロットのタイプや範囲を指定できます。Name=Value)
曲線
plot( は、散布図のデータのプロットに使用する色、マーカー記号、およびライン スタイルを指定します。cfit,x,y,DataLineSpec)
plot( は、cfit,FitLineSpec,x,y,DataLineSpec)cfit で与えられる曲線のプロットに plot で使用する色、マーカー記号、およびライン スタイルを指定します。
plot( は、外れ値のプロットに使用する色、マーカー記号、およびライン スタイルを指定します。cfit,x,y,outliers,OutlierLineSpec)
plot( は、曲線、散布図のデータ、外れ値のプロットに使用する色、マーカー記号、およびライン スタイルを指定します。cfit,FitLineSpec,x,y,DataLineSpec,outliers,OutlierLineSpec)
例
franke データ セットを読み込みます。
load frankeベクトル x、y、および z には、フランケの二変量テスト関数から生成されたデータが格納されています。
x、y、および z のデータに Lowess 平滑化モデルを当てはめます。
ls = fit([x,y],z,"lowess");ls は、データに Lowess 平滑化モデルを当てはめた結果を含むsfitオブジェクトです。
ls をプロットし、Figure の表示を変更します。
plot(ls) view([19.5 40.0])
プロットは、x および y の値全体にわたって、Lowess 平滑化近似が z=0 と z=1.5 の間で波状の曲面になることを示しています。
titanium データ セットを読み込みます。データを行ベクトルから列ベクトルに変換します。
[x, y] = titanium; x = x'; y = y';
x には温度の測定が格納され、y にはチタンのプロパティの測定が格納されています。
x および y のデータにガウス モデルを当てはめます。
g = fit(x,y,"gauss2");g は、データにガウス モデルを当てはめた結果を含むcfitオブジェクトです。
g をデータの散布図と一緒にプロットします。
plot(g,x,y)
プロットは、g が大部分のデータに密接に追従しており、x が約 900 の時点で y のデータが急増することを示しています。
関数linspaceとsinを使用してベースラインの正弦波信号のデータをいくつか生成します。
xdata = linspace(0,2*pi,60)'; y0 = sin(xdata);
xdata は 0 と 2 の間の 60 個の点のベクトル、y0 は xdata の値で正弦関数を評価して与えられる値のベクトルです。
関数randnを使用してガウス分布からノイズを生成します。
rng(0,"twister") % For reproducibility gnoise = y0.*randn(size(y0));
インパルス ノイズを生成するには、最初に関数randpermとroundを使用してランダムなインデックスのベクトルを作成します。
leny0 = length(y0); p = randperm(leny0); stop = round(leny0/5); idx = p(1:stop);
idx は y0 のインデックスを表す整数のベクトルです。
関数zerosを使用してインパルス ノイズのベクトルを作成します。次に、y0 の要素が負であるか正であるかに応じて、関数signを使用して idx 内のそれぞれの位置のノイズ ベクトルに値 –5 と 5 を割り当てます。
szy = size(y0); spnoise = zeros(szy); yidx = y0(idx); spnoise(idx) = 5*sign(yidx);
ノイズ ベクトルを y0 に加算します。
ydata = y0 + gnoise + spnoise;
ydata は分散が一定でないノイズを含むデータのベクトルです。
ydata に正弦波モデルを当てはめます。
f = fittype("a*sin(b*x)");
fit1 = fit(xdata,ydata,f,StartPoint=[1 1]);fit1 には、最小二乗近似を使用して正弦波モデルを当てはめた結果が含まれます。
fit1 のモデルから標準偏差の 1.5 倍を超えて離れた xdata および ydata の点から外れ値のベクトルを作成します。
fdata = feval(fit1,xdata); outliers = abs(fdata - ydata) > 1.5*std(ydata);
外れ値を除外したデータを再度当てはめます。
fit2 = fit(xdata,ydata,f,StartPoint=[1 1],...
Exclude=outliers);fit2 には、外れ値を除外したデータに正弦波モデルを当てはめた結果が含まれます。
ロバスト近似アルゴリズムを使用して 3 つ目のモデルを当てはめます。
fit3 = fit(xdata,ydata,f,StartPoint=[1 1],Robust="on");fit3 には、データに二重平方重み近似アルゴリズムを使用して正弦波モデルを当てはめた結果が含まれます。
近似したモデルを比較するには、データ、外れ値、近似の結果をプロットします。
plot(fit1,xdata,ydata,outliers) hold on plot(fit2) plot(fit3) xlim([0 2*pi]) legend("data","outlier","fit1","fit2","fit3")
プロットには、それぞれの近似が異なるラインの色で示されます。3 つのすべての近似が大部分のデータに追従しています。fit1 は他の 2 つの近似よりも外れ値に近くなっています。
fit1 の残差をプロットします。
figure plot(fit1,xdata,ydata,"residuals") hold on xlabel("xdata") ylabel("residuals") hold off
プロットは、xdata の値全体にわたって、fit1 の残差の分散が一定でないことを示しています。
census データ セットを読み込み、変数 cdate および pop を使用して多項式を当てはめます。これらの変数には、国勢調査の実施年と人口サイズに関するデータがそれぞれ含まれています。1850 年より前のすべての日付を外れ値と見なします。
load census fitresult = fit(cdate,pop,"poly2",Exclude=cdate<1850)
fitresult =
Linear model Poly2:
fitresult(x) = p1*x^2 + p2*x + p3
Coefficients (with 95% confidence bounds):
p1 = 0.006709 (0.005497, 0.00792)
p2 = -24.15 (-28.81, -19.5)
p3 = 2.175e+04 (1.728e+04, 2.621e+04)
cfit オブジェクト fitresult を既定のライン スタイルでプロットします。
plot(fitresult,cdate,pop,cdate<1850)
ライン スタイルを変更するために、プロットの引数DataLineSpec、FitLineSpec、OutlierLineSpecのうち、これらの 1 つ以上を指定できます。この例では、データのライン スタイルを青の点、近似のライン スタイルを赤の実線、外れ値のライン スタイルを緑のプラス記号として設定します。
plot(fitresult,"r-",cdate,pop,"b.",cdate<1850,"g+")
入力引数
名前と値の引数
制限
予測関数 ("predfunc") と予測観測値 ("predobs") の範囲は、制約点が指定されている fit オブジェクトについては計算できません。指定の範囲については NaN 値がプロットされます。
