* Данный текст распознан в автоматическом режиме, поэтому может содержать ошибки

Регрессия в Maple 499 Следующие примеры иллюстрируют применение функции LeastSquares: > with(CurveFitting): LeastSquares([[0,.5],[1,2],[2,4],[3,8]], v); –.500000000000 + 2.44999999999999974v > LeastSquares([0,1,2,3], [1,2,4,6], v, weight=[1,1,1,10]); > LeastSquares([0,1,3,5,6], [1,-1,-3,0,5], v, curve=a*v^2+b*v+c); 6.5.2. Функция fit для регрессии в пакете stats Для проведения регрессионного анализа служит также функция fit из пакета stats, которая вызывается следующим образом: stats[fit,leastsquare[vars,eqn,parms]](data) или fit[leastsquare[vars,eqn,parms]](data), где data – список данных, vars – список переменных для представления дан ных, eqn – уравнение, задающее аппроксимирующую зависимость (по умолча нию линейную), parms – множество параметров, которые будут заменены вычис ленными значениями. 6.5.3. Линейная и полиномиальная регрессия с помощью функции fit На приведенных ниже примерах показано проведение регрессии с помощью функ ции fit для зависимостей вида y(x): > with(stats):Digits:=5; Digits := 5 > fit[leastsquare[[x,y]]]([[1,2,3,4],[3,3.5,3.9,4.6]]); y = 2.4500 + .52000x > fit[leastsquare[[x,y], y=a*x^2+b*x+c]]([[1,2,3,4], [1.8,4.5,10,16.5]]); y = 0.9500000000x2 + 0.2100000000x + 0.5500000000 В первом примере функция регрессии не задана, поэтому реализуется прос тейшая линейная регрессия, а функция fit возвращает полученное уравнение регрессии для исходных данных, представленных списками координат узловых точек. Это уравнение аппроксимирует данные с наименьшей среднеквадратичной погрешностью. Во втором примере задано приближение исходных данных сте пенным многочленом второго порядка. Вообще говоря, функция fit обеспечива