数学建模四大核心模型：优化、分类、评价与预测的MATLAB实战指南-育师

1. 从工具箱到思维框架：为什么数学建模的核心是模型选择

每次打开MATLAB，看着琳琅满目的工具箱和函数库，很多刚开始接触数学建模的朋友都会有点懵。工具箱里有优化工具箱、统计与机器学习工具箱、曲线拟合工具箱……函数库里更是有成百上千个函数，从fmincon到fitlm，从kmeans到svmtrain。但问题来了，面对一个具体的建模问题，比如预测明年公司的销售额，或者优化一个物流配送路线，我们到底该用哪个工具？是先做回归分析，还是直接上神经网络？

这里存在一个普遍的误区：把学习MATLAB等同于学习一堆孤立的函数用法。比如，很多人会去搜“ttest和ttest2有什么区别”，这当然重要，但这属于“战术”层面的问题。而数学建模，首先是一个“战略”问题。你的首要任务不是熟悉每一个函数，而是建立起一套模型选择的思维框架。你得先知道面前摆着的是哪一类问题，然后才能从工具箱里拿出最合适的“扳手”或“螺丝刀”。

根据我这些年带比赛和做项目的经验，绝大多数数学建模问题，无论是国赛、美赛还是企业中的实际课题，其核心模型都可以归结为四大类：优化模型、分类模型、评价模型和预测模型。这四类模型，就像四根支柱，撑起了数学建模的整个方法论体系。掌握这四类模型，你就能对80%以上的问题迅速定位，找到解题的突破口。剩下的20%，往往是这四类的组合或变体。

今天，我们就抛开那些零散的函数细节，聚焦于这四大核心模型。我会结合MATLAB，不仅告诉你每类模型是什么，更会深入探讨它们解决什么类型的问题、背后的数学思想是什么、在MATLAB中对应的核心工具链是怎样的，以及在实际应用中那些容易被忽略的“坑”和技巧。我们的目标不是成为MATLAB函数手册的复读机，而是成为能驾驭模型、解决问题的决策者。

2. 优化模型：在约束条件下寻找最优解

当你遇到“最大”、“最小”、“最优”、“最省”、“最高效”这类词汇时，你面对的就是一个优化问题。优化模型是数学建模中最经典、应用最广泛的模型之一，从工程设计、资源分配到金融投资，无处不在。

2.1 优化模型的核心思想与分类

优化模型的本质是在满足一系列约束条件的前提下，寻找使某个目标函数达到最优（最大或最小）的决策变量取值。其标准形式可以表示为：

最小化 (或最大化) f(x) 满足于： g_i(x) ≤ 0, i = 1, ..., m (不等式约束) h_j(x) = 0, j = 1, ..., p (等式约束) x ∈ Ω (变量边界，如 x ≥ 0)

这里的f(x)就是目标函数，比如成本、利润、距离、误差等；x是决策变量；g_i(x)和h_j(x)构成了约束条件，代表了资源限制、物理定律、业务规则等。

在MATLAB的语境下，我们主要关注以下几类优化问题，因为它们的求解工具和思路截然不同：

线性规划：目标函数和所有约束条件均为决策变量的线性函数。这是最简单、最成熟的一类，有单纯形法等高效算法保证找到全局最优解。典型问题如资源分配、生产计划、运输问题。
整数规划/混合整数规划：部分或全部决策变量要求取整数值。这引入了组合爆炸的复杂性，求解难度大增。典型问题如选址问题（仓库开或不开）、排班问题（员工上班或休息）、背包问题。
非线性规划：目标函数或约束条件中至少有一个是非线性的。这是最普遍也最复杂的一类，通常只能找到局部最优解。典型问题如参数拟合、最优控制、神经网络训练。
多目标优化：同时优化多个相互冲突的目标。不存在一个解使得所有目标同时最优，而是存在一组“帕累托最优”解。典型问题如产品设计（既要性能好，又要成本低）。

2.2 MATLAB中的优化工具箱实战指南

MATLAB的Optimization Toolbox是处理优化问题的利器。很多人知道用fmincon，但用不好，问题往往出在模型转化和求解器选择上。

核心函数选型逻辑：

线性规划：用linprog。这是最专用、最高效的选择。
整数规划：用intlinprog。它是linprog的扩展，可以指定哪些变量是整数。
非线性规划（无约束）：用fminunc（导数可求时）或fminsearch（不需要导数，基于单纯形法，较慢但稳健）。
非线性规划（有约束）：用fmincon。这是万金油，但也是坑最多的地方。
多目标优化：用paretosearch或gamultiobj（基于遗传算法）。

以fmincon为例的深度实操：大多数人调用fmincon就三行代码：定义目标函数、初始值、调用。这远远不够。

% 基础调用（易踩坑版） fun = @(x) x(1)^2 + x(2)^2; % 目标函数 x0 = [1, 1]; % 初始猜测 A = []; b = []; Aeq = []; beq = []; % 无线性约束 lb = [0, 0]; ub = []; % 变量下界 nonlcon = []; % 无非线性约束 [x, fval] = fmincon(fun, x0, A, b, Aeq, beq, lb, ub, nonlcon);

这么用，对于复杂问题很容易失败。下面是我的经验之谈：

第一，初始值x0是命门。fmincon使用局部搜索算法（如内点法、SQP），初始值极大影响最终找到的是哪个局部最优解，甚至影响能否收敛。对于工程问题，初始值应尽量靠近根据物理或业务常识猜测的“合理”解。对于探索性问题，可以尝试多组随机初始值，从中选最优结果。

第二，熟练使用options进行调试。这是判断求解过程是否健康的关键。

options = optimoptions('fmincon', 'Display', 'iter', 'Algorithm', 'sqp'); [x, fval, exitflag, output] = fmincon(fun, x0, A, b, Aeq, beq, lb, ub, nonlcon, options);

‘Display’, ‘iter’：打印每次迭代的详细信息，你能看到目标函数值、约束违反量、步长等的变化。如果迭代几十步后函数值都不怎么变，可能陷入了平坦区域或遇到了数值问题。
exitflag：解读这个返回值比看最终结果更重要。
- exitflag > 0：算法收敛到局部最优解（成功）。
- exitflag = 0：迭代次数超过MaxIterations或函数计算次数超过MaxFunctionEvaluations（可能需要放宽限制或改进初始值）。
- exitflag < 0：求解失败。常见如-2表示找不到可行点（约束可能太严或矛盾）。
output结构体：包含迭代次数、函数计算次数、算法信息等，是性能分析和报告的重要依据。

第三，约束条件的规范化表达。这是新手最容易出错的地方。fmincon要求非线性约束函数nonlcon返回两个向量[c, ceq]，其中c(x) ≤ 0,ceq(x) = 0。很多人会忘记把不等式写成“≤0”的形式。

% 错误示例：想表达 x1^2 + x2^2 >= 1 % nonlcon = @(x) x(1)^2 + x(2)^2 - 1; % 这返回的是 c(x)，要求 c<=0，即 x1^2+x2^2-1 <=0，这与原意相反！ % 正确示例：x1^2 + x2^2 >= 1 等价于 -(x1^2 + x2^2) + 1 <= 0 nonlcon = @(x) deal(1 - x(1)^2 - x(2)^2, []);

一个综合案例：投资组合优化问题：如何在几种资产上分配资金，在给定预期收益率下，最小化投资风险（用方差衡量）？这是一个典型的二次规划问题（目标函数为二次，约束为线性），可以用quadprog或转化为fmincon。我们用fmincon来展示其灵活性。

% 假设有3种资产，历史收益率数据为 returns (n×3矩阵) returns = randn(100, 3) * 0.05 + [0.08, 0.10, 0.12]; % 模拟数据 expectedReturns = mean(returns); covMatrix = cov(returns); % 决策变量 x = [w1, w2, w3] 投资比例 % 目标：最小化风险 min x' * covMatrix * x fun = @(x) x' * covMatrix * x; % 约束： % 1. 权重之和为1: w1 + w2 + w3 = 1 Aeq = ones(1, 3); beq = 1; % 2. 不允许卖空: wi >= 0 lb = zeros(3, 1); % 3. 预期收益率不低于目标R0: expectedReturns * x >= R0 % 转化为 A*x <= b 形式： -expectedReturns * x <= -R0 R0 = 0.09; A = -expectedReturns; b = -R0; x0 = [1/3, 1/3, 1/3]; % 等权初始 options = optimoptions('fmincon', 'Display', 'final', 'Algorithm', 'interior-point'); [x_opt, risk_opt] = fmincon(fun, x0, A, b, Aeq, beq, lb, [], [], options); fprintf('最优权重: %.2f%%, %.2f%%, %.2f%%\n', x_opt*100); fprintf('预期收益率: %.2f%%， 最小风险(方差): %.6f\n', expectedReturns*x_opt*100, risk_opt);

注意：这个例子中，fmincon可能不是最高效的，因为quadprog是专门解二次规划的。但在实际中，如果你需要在目标函数中加入非二次项（比如交易成本惩罚），或者有更复杂的非线性约束，fmincon的通用性优势就体现出来了。选择求解器的核心是：在满足精度要求的前提下，用最专用的工具；当问题复杂、专用工具不适用时，再启用通用工具。

3. 分类模型：从数据中学习决策边界

分类模型的目标是根据已知特征，将样本划分到预先定义的几个类别中。它是机器学习在数学建模中最直观的应用。当你面对“是或否”、“A类B类还是C类”的问题时，分类模型就是你的武器。

3.1 分类问题的建模流程与评估

一个完整的分类建模流程远不止调用一个fitcsvm那么简单。它包含数据准备、模型选择、训练、评估、调优多个环节。

数据准备：这是决定模型上限的关键。包括处理缺失值（fillmissing）、标准化（zscore或mapminmax）、类别不平衡处理（datasample进行过采样/欠采样）等。在MATLAB中，使用table类型存储数据非常方便，能很好地保持变量名和特征维度。

模型选择：没有“最好”的模型，只有“最合适”的。选择依据包括：

数据量大小：数据少时，复杂模型（如深度学习）容易过拟合，应选简单模型（如朴素贝叶斯、线性SVM）。
特征类型：连续特征、分类特征、文本特征适用的模型不同。
对解释性的要求：如果需要知道哪个特征更重要，决策树、逻辑回归是好的选择；如果只追求精度，可以尝试集成方法或神经网络。

模型评估：绝对不能只用“准确率”这一个指标！尤其是当数据类别不平衡时。必须看混淆矩阵以及由此衍生的指标：

% 假设已有真实标签 Y_true 和预测标签 Y_pred C = confusionmat(Y_true, Y_pred); % 计算精确率、召回率、F1分数 precision = diag(C) ./ sum(C, 1)'; % 查准率 recall = diag(C) ./ sum(C, 2); % 查全率 f1 = 2 * (precision .* recall) ./ (precision + recall);

更稳健的方法是使用交叉验证评估模型泛化能力。MATLAB的cvpartition和crossval函数可以方便实现。

3.2 MATLAB分类学习器：快速原型与对比利器

对于初学者或需要快速比较多个模型的情况，我强烈推荐使用Classification Learner App。这是一个图形化交互工具，但它的价值被严重低估了。很多人把它当成“玩具”，其实它是进行模型初步筛选和特征工程探索的利器。

实战心得：

一键对比：导入数据后，你可以一键训练逻辑回归、决策树、SVM、KNN、集成方法等十几种模型，并自动生成准确率对比图。这能让你在几分钟内对“哪些模型在这个数据集上可能表现好”有一个直观感受。
特征工程试错：你可以在App内尝试不同的特征变换（如PCA降维）、选择不同的特征子集，并立即看到模型性能的变化。这比写代码反复试验要快得多。
生成代码：最关键的一步！当你通过App交互找到一组不错的模型和参数后，点击“生成代码”，MATLAB会自动生成一个包含数据导入、预处理、模型训练和评估全流程的脚本。这个脚本是你后续进行自动化、批量化处理以及集成到更大项目中的完美起点。这相当于让App帮你完成了80%的样板代码编写工作。

3.3 从经典算法到集成学习：MATLAB实现精讲

逻辑回归：虽然是“回归”之名，实为分类之实。它通过Sigmoid函数将线性回归结果映射到[0,1]区间，解释为概率。在MATLAB中，使用fitglm并指定‘Distribution’, ‘binomial’。

% 假设 tbl 是包含特征和响应变量‘Y’的table，Y是二分类逻辑变量 mdl = fitglm(tbl, 'Distribution', 'binomial', 'Link', 'logit'); % 查看系数和显著性 disp(mdl.Coefficients); % 预测新样本的概率 scores = predict(mdl, newTbl);

注意：fitglm默认进行正则化吗？不，标准的逻辑回归没有正则化。如果你需要L1或L2正则化来防止过拟合（特征多、样本少时），应该使用lassoglm或手动在fitglm中通过‘Offset’和‘Weights’参数实现，或者更简单地，使用fitclinear函数并指定‘Regularization’, ‘lasso’。

支持向量机：寻找一个超平面，使得两类样本之间的“间隔”最大化。对于线性不可分的数据，通过“核技巧”映射到高维空间。MATLAB中使用fitcsvm。

% 训练一个高斯核(RBF)的SVM mdl = fitcsvm(X, Y, 'KernelFunction', 'rbf', 'Standardize', true); % 关键参数调优：BoxConstraint(C) 和 KernelScale (γ) % C是惩罚系数，越大对误分类容忍度越低，模型越复杂，容易过拟合。 % KernelScale影响核函数的宽度，值越小，核函数越“尖”，模型越复杂。 % 建议使用自动优化 mdl_opt = fitcsvm(X, Y, 'OptimizeHyperparameters', {'BoxConstraint', 'KernelScale'}, ... 'HyperparameterOptimizationOptions', struct('AcquisitionFunctionName', 'expected-improvement-plus'));

一个关键技巧：SVM对特征尺度敏感，务必设置‘Standardize’, true让函数自动标准化数据。

集成方法：随机森林与梯度提升树当单一模型（如单棵决策树）表现不稳定或精度不足时，集成学习通过组合多个弱学习器来构建一个强学习器。

随机森林：通过Bootstrap抽样生成多个训练子集，为每个子集训练一棵决策树，并随机选取部分特征进行节点分裂，最后投票决定结果。抗过拟合能力强，几乎无需调参。MATLAB中使用TreeBagger。

% 训练一个包含100棵树的随机森林 rfModel = TreeBagger(100, X, Y, 'Method', 'classification', 'OOBPrediction', 'On'); % ‘OOBPrediction’, ‘On’ 启用袋外误差估计，这是一种高效的内部验证 oobError = oobError(rfModel); % 查看袋外误差随树木增加的变化 % 预测 [Y_pred, scores] = predict(rfModel, X_new);

梯度提升树：以串行方式训练多棵树，每棵树学习之前所有树组合的残差。通常比随机森林精度更高，但更容易过拟合，需要仔细调参（学习率、树深度、树数量）。MATLAB中使用fitcensemble并选择‘AdaBoostM2’（分类）或fitrensemble（回归），但对于现代的梯度提升，更推荐使用fitcensemble的‘GentleBoost’或‘LogitBoost’，或者使用Statistics and Machine Learning Toolbox中的fitcensemble并指定‘Learners’, templateTree(‘MaxNumSplits’, 10)和‘Method’, ‘GentleBoost’。

选择建议：追求稳定、快速、少调参，选随机森林；追求极致精度且有时间精力调参，选梯度提升树。在MATLAB中，TreeBagger对随机森林的支持更直接，而fitcensemble则提供了更丰富的集成算法选项。

4. 评价模型：量化比较与综合决策

评价模型用于对多个对象（方案、产品、人员等）进行综合评估和排序。它解决的不是“预测”或“分类”，而是“哪个更好”的问题。比如，评选优秀论文、选择供应商、评估城市发展水平。

4.1 评价模型的通用流程：从指标到权重

建立一个评价模型，通常遵循以下步骤：

确立评价目标：明确要评价什么，以及评价的目的。
构建评价指标体系：这是核心。指标需要具有代表性、独立性、可操作性。例如评价一款手机，指标可能包括性能（跑分）、续航（小时）、拍照（DXO分数）、价格（元）。
指标数据处理：通常需要无量纲化，因为指标单位不同（元、小时、分数）。常用方法有极差标准化、Z-score标准化等。
确定指标权重：不同指标重要性不同。确定权重的方法有主观法（如德尔菲法、层次分析法）和客观法（如熵权法、CRITIC法）。
选择综合评价函数：将各指标加权综合，得到一个总分。常用方法有加权求和法、TOPSIS法、模糊综合评价法等。
计算与排序：根据总分对评价对象进行排序。

4.2 层次分析法：将主观判断定量化

AHP是处理定性问题的经典方法，尤其适用于指标权重难以直接量化的场合。它的核心是通过两两比较，将人的主观判断转化为定量数据。

MATLAB实现AHP的关键步骤：

建立层次结构模型：目标层、准则层、方案层。
构造判断矩阵：针对每一层元素，对其下属元素进行两两重要性比较，使用1-9标度法。

% 例如，对于准则层的3个指标A,B,C，专家给出的判断矩阵 judgeMatrix = [1, 3, 5; 1/3, 1, 2; 1/5, 1/2, 1]; % A比B稍微重要(3)，A比C明显重要(5)，B比C稍微重要(2)

层次单排序及一致性检验：计算判断矩阵的特征向量作为权重，并检验思维的一致性。

[V, D] = eig(judgeMatrix); [maxLambda, maxIdx] = max(diag(D)); w = V(:, maxIdx); % 最大特征值对应的特征向量 w = w / sum(w); % 归一化得到权重向量 % 一致性检验 n = size(judgeMatrix, 1); CI = (maxLambda - n) / (n - 1); RI = [0, 0, 0.58, 0.90, 1.12, 1.24, 1.32, 1.41, 1.45]; % 平均随机一致性指标 CR = CI / RI(n); if CR < 0.10 fprintf('一致性可接受，权重为: \n'); disp(w'); else fprintf('判断矩阵不一致，需调整! CR=%.4f\n', CR); end

重要提醒：很多人在用AHP时，只计算权重，不做一致性检验！这是错误的。如果CR>0.1，说明专家的判断存在自相矛盾（例如认为A比B重要，B比C重要，但C又比A重要），此时计算出的权重不可信，必须返回调整判断矩阵。

层次总排序：计算各方案对总目标的合成权重。

4.3 TOPSIS法：逼近理想解的排序方法

TOPSIS是一种客观的、数据驱动的评价方法。它的思想很直观：找出“理想最优解”（各指标都达到最优值）和“理想最劣解”，然后计算每个评价对象与这两个解的距离，离最优解越近、离最劣解越远的对象越好。

MATLAB实现TOPSIS的完整代码与陷阱：

function [score, rank] = topsis(data, weight, isPositive) % data: m×n矩阵，m个对象，n个指标 % weight: 1×n向量，指标权重 % isPositive: 1×n逻辑向量，true表示该指标是效益型（越大越好），false表示成本型（越小越好） [m, n] = size(data); % 1. 数据标准化（向量规范化） normData = data ./ sqrt(sum(data.^2, 1)); % 按列归一化 % 2. 构造加权规范矩阵 weightedNormData = normData .* weight; % 3. 确定理想解和负理想解 idealBest = zeros(1, n); idealWorst = zeros(1, n); for j = 1:n if isPositive(j) idealBest(j) = max(weightedNormData(:, j)); idealWorst(j) = min(weightedNormData(:, j)); else idealBest(j) = min(weightedNormData(:, j)); idealWorst(j) = max(weightedNormData(:, j)); end end % 4. 计算各方案到理想解的距离 distToBest = sqrt(sum((weightedNormData - idealBest).^2, 2)); % 欧氏距离 distToWorst = sqrt(sum((weightedNormData - idealWorst).^2, 2)); % 5. 计算相对贴近度 score = distToWorst ./ (distToBest + distToWorst); % 6. 排序 [~, rank] = sort(score, 'descend'); % 贴近度越大越好 end

TOPSIS的常见误区：

标准化方法选择：上述代码使用的是“向量规范化”，这也是TOPSIS原文推荐的方法。但很多人误用“极差标准化”（(x-min)/(max-min)）。极差标准化会改变数据之间的相对距离关系，可能影响最终排序。除非所有指标都是效益型且同向，否则建议坚持使用向量规范化。
距离公式：欧氏距离是默认选择。但在指标间相关性很强时，可以考虑使用马氏距离，不过计算更复杂。
权重敏感性：TOPSIS的结果对权重非常敏感。务必通过敏感性分析来检验权重变化对排序结果的影响，以增强结论的稳健性。可以尝试微调权重，观察排名是否发生剧烈变化。

5. 预测模型：洞察趋势与预见未来

预测模型旨在基于历史数据，推断未来可能的状态或数值。它和分类模型同属“有监督学习”，但输出是连续值。时间序列预测和回归分析是两大主流。

5.1 时间序列分析：捕捉数据中的时序依赖

时间序列数据的特点是观测值之间存在时间顺序上的依赖关系（自相关性）。经典方法如ARIMA，现代方法如LSTM神经网络。

ARIMA模型实战详解：ARIMA模型包含三个部分：AR（自回归）、I（差分）、MA（移动平均）。在MATLAB中，使用arima函数创建模型，用estimate估计参数，用forecast进行预测。

% 假设有一组月度销售额数据 salesData data = salesData; % 一个列向量 % 步骤1：平稳性检验（ADF检验） [h, pValue] = adftest(data, 'Model', 'TS'); % 如果h=0，说明序列非平稳，需要差分 if ~h fprintf('序列非平稳，p值为%.4f，需要进行差分。\n', pValue); end % 步骤2：观察自相关图(ACF)和偏自相关图(PACF)以初步确定p, q阶数 figure; subplot(2,1,1); autocorr(data, 40); title('自相关图(ACF)'); subplot(2,1,2); parcorr(data, 40); title('偏自相关图(PACF)'); % ACF拖尾，PACF在p阶后截尾 -> AR(p) % PACF拖尾，ACF在q阶后截尾 -> MA(q) % 两者都拖尾 -> ARMA(p,q) % 步骤3：模型识别与定阶（以ARIMA(1,1,1)为例） d = 1; % 差分阶数，通过尝试使序列平稳 model = arima(1, d, 1); % ARIMA(p,d,q) estModel = estimate(model, data); % 步骤4：模型诊断（残差检验） res = infer(estModel, data); % 获取残差 figure; subplot(2,2,1); plot(res); title('残差序列图'); subplot(2,2,2); histogram(res); title('残差直方图'); subplot(2,2,3); autocorr(res); title('残差ACF'); subplot(2,2,4); parcorr(res); title('残差PACF'); % 理想情况：残差应是白噪声（ACF/PACF无显著相关性），直方图近似正态。 [h_lbq, p_lbq] = lbqtest(res); % Ljung-Box Q检验，若h=0，则残差是白噪声 % 步骤5：预测 numPeriods = 12; % 预测未来12期 [YF, YMSE] = forecast(estModel, numPeriods, 'Y0', data); lowerBound = YF - 1.96*sqrt(YMSE); % 95%置信区间下界 upperBound = YF + 1.96*sqrt(YMSE); % 95%置信区间上界 % 绘图 figure; plot(data, 'b'); hold on; h1 = plot(length(data)+(1:numPeriods), YF, 'r', 'LineWidth', 2); h2 = plot(length(data)+(1:numPeriods), lowerBound, 'k--'); plot(length(data)+(1:numPeriods), upperBound, 'k--'); legend([h1, h2], '预测值', '95%置信区间'); title('ARIMA模型预测结果');

ARIMA建模的难点与技巧：

定阶(p,d,q)：这是最考验经验的地方。除了看ACF/PACF图，还可以通过AIC/BIC信息准则自动定阶。编写一个循环，尝试不同的(p,d,q)组合，选择AIC最小的模型。

bestAIC = Inf; bestModel = []; for p = 0:3 for q = 0:3 for d = 0:2 try model = arima(p, d, q); [~, ~, logL] = estimate(model, data, 'Display', 'off'); aic = aicbic(logL, p+q+1); % 计算AIC if aic < bestAIC bestAIC = aic; bestModel = model; end catch % 某些参数组合估计失败，跳过 continue; end end end end

季节性：如果数据有明显的季节性波动（如月度数据、季度数据），需要使用SARIMA模型。MATLAB中通过arima的‘Seasonality’和‘SAR’、‘SMA’参数来指定。
模型诊断：务必进行残差白噪声检验。如果残差不是白噪声，说明模型没有充分提取序列中的信息，预测效果会打折扣。

5.2 回归分析：探寻变量间的因果关系

回归分析侧重于理解和量化一个或多个自变量与因变量之间的关系。在MATLAB中，线性回归用fitlm，非线性回归用fitnlm。

多元线性回归的完整分析流程：

% 假设有一个table ‘tbl’，包含因变量‘Y’和多个自变量‘X1’， ‘X2’， ‘X3’ mdl = fitlm(tbl, 'Y ~ X1 + X2 + X3'); % 线性模型公式 % 1. 查看模型总体摘要 disp(mdl); % 关注 R-squared（决定系数，越接近1越好）， Adjusted R-squared（调整后R方，考虑变量数）， % F-statistic vs. constant model（模型整体显著性检验，p值应很小）。 % 2. 查看系数详情 disp(mdl.Coefficients); % 关注每个系数的 Estimate（值）、SE（标准误）、tStat（t统计量）、pValue（p值）。 % p值小于显著性水平（如0.05）说明该变量对Y有显著影响。 % 3. 诊断图分析（非常重要！） figure; plotResiduals(mdl, 'fitted'); % 残差 vs. 拟合值图 % 理想情况：残差随机分布在0附近，无规律。如果出现漏斗形，可能提示异方差。 figure; plotDiagnostics(mdl, 'cookd'); % Cook‘s距离，检测强影响点 % Cook‘s距离大于1的点需要重点关注，可能是异常值或杠杆点。 % 4. 多重共线性诊断 VIF = diag(inv(corrcoef(table2array(tbl(:, {'X1', 'X2', 'X3'}))))); % 计算方差膨胀因子 % VIF > 10 通常认为存在严重多重共线性，会影响系数估计的稳定性。 % 解决方法：剔除相关性高的变量、使用主成分回归(PCR)或岭回归(Ridge Regression)。 % 5. 预测 Y_pred = predict(mdl, newTbl);

非线性回归与拟合：当关系不是直线时，需要使用非线性模型。fitnlm需要你提供一个模型函数。

% 例如，拟合指数衰减模型：y = a * exp(-b*x) + c modelfun = @(b, x) b(1) * exp(-b(2)*x) + b(3); % b是参数向量 beta0 = [1, 0.1, 0]; % 初始参数猜测值，这个值非常关键！ mdl_nlm = fitnlm(X, Y, modelfun, beta0); % 查看参数估计和置信区间 disp(mdl_nlm.Coefficients); coefCI(mdl_nlm); % 参数的95%置信区间

非线性拟合的核心难点：初始值beta0的选择。差的初始值会导致算法不收敛或收敛到局部最优。策略包括：1) 根据物理/业务意义猜测；2) 通过线性化模型初步估计；3) 使用网格搜索尝试多组初始值。

5.3 机器学习回归方法：处理复杂关系

当自变量和因变量之间的关系非常复杂、非线性和高维时，传统的回归方法可能力不从心。这时可以转向机器学习方法。

回归树与集成方法：使用fitrtree训练单棵回归树，或使用fitrensemble训练随机森林回归 (‘Bag’) 或梯度提升树回归 (‘LSBoost’)。它们能自动捕捉非线性关系和交互效应，且对异常值不敏感。
支持向量回归：使用fitrsvm。通过核函数处理非线性，通过‘Epsilon’参数控制对误差的容忍度，适合小样本、高维数据。
神经网络回归：使用fitrnet（推荐，简化接口）或 Deep Learning Toolbox 构建更复杂的网络。这是最强大的非线性拟合器，但需要大量数据、谨慎调参和防止过拟合。

模型选择的心得：从一个简单的线性模型（fitlm）开始，作为基准。如果残差图显示明显的非线性模式，再尝试加入多项式项或交互项。如果问题确实复杂，再考虑树模型或SVM。神经网络通常是最后的选择，除非你有充足的数据和计算资源，并且确信简单的模型无法捕捉数据中的模式。记住，模型复杂度应该与数据量和问题复杂度相匹配，避免“用大炮打蚊子”。

这四大模型构成了数学建模的基石。优化模型帮你做决策，分类模型帮你做判断，评价模型帮你做比较，预测模型帮你做展望。在实际项目中，它们常常组合使用。例如，你可能先用预测模型预测未来的需求量，然后用优化模型来制定生产计划；或者先用分类模型识别客户群体，再用评价模型对每个群体内的产品进行排序。

掌握它们，不在于背诵每一个MATLAB函数的参数，而在于理解每种模型背后的数学思想、适用场景和局限性。当你拿到一个新问题时，首先问自己：这属于哪一类问题？或者哪几类问题的组合？确定了方向，再去工具箱里寻找合适的工具，你的建模之路就会清晰很多。剩下的，就是在一次次实战中积累处理数据、调试参数、解释结果的经验了。这些经验，往往比模型本身更宝贵。