Il metodo dei minimi quadrati è comunemente usato in fitting dei dati . La soluzione di un problema di minimi quadrati è il coefficiente o insieme di coefficienti che minimizza la somma dei quadrati dei residui . I residui sono la differenza tra il valore reale e le value.Scientists muro e ingegneri di utilizzare Matlab , un software sviluppato dalla MathWorks , per eseguire minimi quadrati . È possibile utilizzare la funzione " fminsearch " - ma questo può essere molto complicato e richiede tempo - o il Curve Fitting Toolbox - che è costoso . In alternativa , è possibile utilizzare Ezyfit . Ezyfit è gratuito, veloce e facile da usare Matlab toolbox . Istruzioni
Ezyfit Installazione
1

Scarica Ezyfit . Estrarlo in una cartella del computer . Non aggiungere alla tua directory di Matlab ( " Programmi /Matlab " ) .
2

Selezionare "File> Imposta percorso ... " dalla barra dei menu e quindi selezionare la cartella contenente Ezyfit aggiungere Ezyfit al percorso Matlab .
3

Restart Matlab per caricare Ezyfit per la prima volta . Successivamente , Ezyfit verrà caricato automaticamente all'avvio di Matlab .
Genera Lineare Esempio Data
4

tipo " x = 0:1:100 " nella finestra di comando per generare
6

una serie di valori x .
5

tipo "y = rand ( 1 , length ( x ) ) " per generare in modo casuale un valore y per ogni valore di x . digitare " y = y . * ( x * 2) " per creare un gradiente di 2 . Fate attenzione ad usare la moltiplicazione matrice " . * " Dopo il secondo y piuttosto che la moltiplicazione di matrici "*" altrimenti si genererà un errore di moltiplicazione di matrici .
7

Tipo plot " ( x , y , ' kx ') "per tracciare i punti su un grafico a dispersione .
Eseguire le Least Squares misura
8

Tipo " showfit (' a * x + b ') " a eseguire un lineare minimi quadrati . Ezyfit stampa la soluzione , cioè i valori dei coefficienti di montaggio "a" e "b" e il coefficiente di correlazione "R" .
9

Tipo " showfit ('a * exp ( b * x ) + c ') " per eseguire una esponenziali minimi quadrati .
10

Controllare che il coefficiente di correlazione " R "per il fit esponenziale è inferiore al " valore R "per il fit lineare. Questo significa che il fit lineare è una misura migliore dei dati , come previsto.