0.写在前面
最小二乘法在工程中得到了广泛的应用，应用最多的是直线拟合（线性拟合），这里做一下总结。首先我们从原理来认识一下线性拟合，然后利用matlab多种方法进行线性参数拟合。
1.原理介绍
给定一系列xix_ixi，yi(i=1,2,⋯,N)y_i(i=1,2,\cdots,N)yi(i=1,2,⋯,N)，假定它们具有线性关系，即可以用y=kx+by=kx+by=kx+b的方式进行拟合，我们的任务是找到最优参数k和b使得xix_ixi、yiy_iyi和直线y=kx+by=kx+by=kx+b最大程度接近，这个时候最小二乘法就派上用场了。
为了描述最小二乘法拟合参数k和b的效果，我们需要定义一个优化函数，为了避免正负相消，所以使用残差（实际观察值与估计值（拟合值）之间的差）平方和来定义：
f=Σ(yi−kxi−b)2f=\Sigma(y_i-kx_i-b)^2f=Σ(yi−kxi−b)2
当拟合效果最好时，残差平方和最小是显然的，问题转化为求解fff为极值点时，kkk和bbb为多少？
解决极值点问题，我们需要对kkk和bbb分别求偏导数并使其为0：
式(1)
式(2)
由式(2)括号内为0，则有b的表达式：
式(3)
将式(3)代入到式(2)中得到式(4)
式(4)
整理式(4)我们可以得到k的表达式：
式(5)
所以最终kkk和bbb的表达式可以表示为：
式(6)
如果用线性代数的角度来看其实矩阵表达更加简洁，我们最终需要寻找最佳的kkk和bbb：
式(7)
写成矩阵的形式：
式(8)
令
我们可以写成矩阵形式：
式(9)
Y=XK\mathbf{Y}=\mathbf{X}\mathbf{K}Y=XK
我们要解K，这时候X如果是方阵那么自然的就可以左右两边同时乘X的逆，但是如果X不是方阵（行数大于列数），我们可以左右同乘以X的转置，转换为方阵再取逆(当然能取逆的前提是行列式不能为0)，具体如下，求得的逆叫做伪逆：
式(10)
所以解得K的值：
式(11)
2.matlab实现
现在有这么一组数据
我们利用matlab进行绘制散点图查看一下
x=[0.1;0.3;0.4;0.75;0.9]; y=[1.7805;2.2285;2.3941;3.2226;3.5697];plot(x,y,'o')xaxis(0,1);yaxis(1.6,3.7);hold on;
可以看出满足很好的线性关系，下面我们用上述最小二乘法的思想求一下拟合直线的kkk和bbb：
方法1：代数方法计算
利用公式(6)
我们来计算一下
% 方法1：代数方法计算N=length(x);k=(sum(y.*x)-N*mean(y)*mean(x))/(sum(x.^2)-N*mean(x)^2);b=mean(y)-k*mean(x);x_line=linspace(0,1,101);y_line=k*x_line+b;plot(x_line,y_line,'Color','r','LineWidth',1)
查看k和b的值：
k=2.2411
b=1.5409
方法2：伪逆方法计算
利用公式(11)
按照前面的原理进行编写：
% 方法2：伪逆计算N=length(x);X=[x,ones(N,1)];Y=y;K=inv(X'*X)*X'*Y;k=K(1);b=K(2);x_line=linspace(0,1,101);y_line=k*x_line+b;plot(x_line,y_line,'Color','r','LineWidth',1)
查看k和b的值：
k=2.2411
b=1.5409
方法3：利用matlab自带的lsqcurvefit函数计算（拟合非线性函数，应用更广）
matlab自带的lsqcurvefit函数也可以进行最小二乘拟合（还可以拟合非线性函数），其调用方式为：
各输入参数含义：
fun：函数的表达式，使用匿名函数或另外定义一个函数的m文件x0：拟合参数的初始值xdata：自变量x数据ydata：因变量y数据lb：参数的下限ub：参数的上限options：设置步长、精度等
我们使用函数的第一种方法进行参数的拟合：
% 方法3：利用matlab自带的lsqcurvefit函数计算fun=@(K,x)K(1)*x+K(2);K0=[1,1];K=lsqcurvefit(fun, K0, x,y)k=K(1);b=K(2);x_line=linspace(0,1,101);y_line=k*x_line+b;plot(x_line,y_line,'Color','r','LineWidth',1)
查看k和b的值：
k=2.2411
b=1.5409
方法4：利用matlab自带的polyfit函数计算（多项式函数拟合）
polyfit函数可以用来最小二乘匹配函数。Matlab 包括一个标准函数，对多项式进行最小二乘匹配运算。函数 polyfit 用一系列数据对 N 阶多项式进行最小二乘匹配运算。其中N是任意大于等于1。
当 N=1 时，得到的是直线方程，得到拟合直线方程的斜率k和b，调用该函数的形式如下：
p = polyfit(x,y,n)
其中xx，y 代表向量 x，y，n 代表阶次，这里我们就选择n=1，然后我们可以编写下面的代码：
K=polyfit(x,y,1);k=K(1);b=K(2);x_line=linspace(0,1,101);y_line=k*x_line+b;plot(x_line,y_line,'Color','r','LineWidth',1)
查看k和b的值：
k=2.2411
b=1.5409
结果是一样的。
总结
介绍了最小二乘法拟合直线的两种观点：代数计算和伪逆方法计算，并且利用上述两种方法以及matlab自带的lsqcurvefit和polyfit两种函数使用matlab进行了拟合，可以看到结果是一样的。
