如何拟合与评判模型
- 01粘贴数据。以
# 或 // 开头的注释行会被跳过,无法解析为两个数字的行会按行号报告,而不是被悄悄丢弃。 - 02选模型族,而不是公式。模型列表按形状组织;衰减属于指数增长/衰减,饱和曲线属于 Michaelis–Menten 或指数平台。
- 03带着区间读参数。95 % 区间跨过零的参数并不能证明它有必要;区间很窄也不能证明模型正确。
- 04跨模型族比较。比较模式按 AIC 排序,AIC 会惩罚多余参数,并在普通 R² 旁显示调整 R²。
- 05外推前先看预测带。带会随远离数据而变宽;如果你在拟合范围之外预测,要看区间,而不是曲线。
计算读数
取指数函数 y = 2.5·e^(−0.4x),在 x = 0, 0.5, …, 6 处采样,再加入 ±0.05 的小幅交替噪声:
| 拟合 |
参数 |
R² |
调整 R² |
RMSE |
AIC |
| 指数(真实模型族) |
a = 2.515414,b = −0.402286 |
0.994984 |
0.994528 |
0.049678 |
−72.057 |
| 二次 |
a = 0.070451,b = −0.777154,c = 2.436773 |
0.990802 |
0.988962 |
0.067272 |
−62.174 |
| 指数平台 |
y₀ = 2.52585,y<sub>m</sub> = 0.03714,k = 0.41747 |
0.995116 |
0.994140 |
0.049019 |
−70.404 |
| 双指数 |
a = 0.081428, b = 63.8975, c = 2.46857, d = 0.394163 |
0.995426 |
0.993901 |
0.047440 |
−69.256 |
指数参数夹住了真值:95 % 区间对 a 是 2.42511 … 2.605718,对 b 是 −0.426244 … −0.378327。在 x = 7 处拟合值为 0.150535,带为 0.128419 … 0.172650,而真值是 0.152025。外推到 x = 20 得到 0.00080612,真值为 0.00083866——在一个没有数据约束拟合的区域,误差为 4 %。
为什么参数越多总是拟合得越好
最小二乘最小化残差平方和,而增加一个参数只可能降低这个和。所以普通 R² 是个糟糕的裁判:双指数的四个参数达到 R² = 0.995426,高于真实模型的 0.994984,指数平台也超过了它。调整 R² 和 AIC 会扣掉所用参数的惩罚,排序随之反转:两参数指数以 AIC −72.057 获胜。在你说清一个参数的成本之前,"最佳拟合"是未定义的。
区间来自解处残差曲面的局部曲率;它们是局部的、对称的,当参数彼此权衡时会变得不可靠。双指数就是例子——一个幅度 (a) 相对另一个 (c) 坍缩向零,同时其衰减率 (b) 作出补偿。无噪声数据集是极限情形:拟合以 SSE 0 恢复 a = 2.5、b = −0.4,x = 7 处的带坍缩到 0.152025,因为残差不携带任何不确定性信息。零宽区间描述的是数据,不是模型。
限制与边界
- 最小二乘需要起点和形状。
- Levenberg–Marquardt 是局部方法;起点远离数据的模型可能收敛到很差的局部极小值,面板会报告收敛情况和迭代次数,让你看到它何时没有收敛。
- 数据必须是数值对。
- 缺失值不会被填补,单位也不会被跟踪;解析失败的行会按行号列出,比较模式会拒绝超过 5,000 点的数据集,而不是盲目运行。
外推陷阱
最典型的陷阱是在数据范围之外信任曲线。拟合出的指数在 x = 20 处预测 0.00080612,而真值是 0.00083866;4 % 的差距看似无害,直到你注意到 x = 7 处的置信带已经是 ±0.022,约为该值的 15 %,并随距离增大。对同一衰减拟合的二次式会掉头向上,并在数据之外的某处穿过零,这是物理所禁止的形状。在你测量的范围内拟合,给出置信带,并把超出范围的任何预测当作关于模型的假设,而不是测量。
第二个陷阱是跨数据集比较 R²。R² 是相对于特定 y 列方差的;同一模型在平静信号上得 0.99、在嘈杂信号上得 0.85,并不意味着它变差了。要在同一数据上比较模型;需要以 y 为单位的误差时用 RMSE——这里是指数的 0.0497 对二次的 0.0673。
它适合哪里
标定传感器响应
把已知的指数或幂律拟合到标定点,再核对参数是否与物理相符:a = 2.515 对额定 2.5 是标定结论,而区间 2.425 … 2.606 说明其中多少是采样噪声。工作点处的带就成了你带入下一次计算的不确定性。
在竞争机制之间做选择
当两种机制预测不同形状时,比较表靠信息准则而不是肉眼来定夺:指数 AIC −72.057 对二次 −62.174,差距接近十,是衰减形式的强证据;差距只有一或二时,需要的是更多数据,而不是结论。
隐私
数据、拟合和置信带都在你的浏览器中计算;不会上传任何内容。
参考文献
- Wikipedia, Least squares, en.wikipedia.org (访问日期:2026-10-07)——每次拟合都在最小化的目标。
- Wikipedia, Coefficient of determination, en.wikipedia.org (访问日期:2026-10-07)——为什么增加参数时 R² 从不下降。
- Wikipedia, Akaike information criterion, en.wikipedia.org (访问日期:2026-10-07)——比较表中使用的参数惩罚。
- Wikipedia, Levenberg–Marquardt algorithm, en.wikipedia.org (访问日期:2026-10-07)——拟合背后的阻尼 Gauss–Newton 迭代。
- NIST/SEMATECH e-Handbook of Statistical Methods, §4.1 Least Squares, itl.nist.gov (访问日期:2026-10-07)——残差、自由度和不确定性。
本页计算器
精选工具,点开即用;小工具可直接试算,数值会带入完整计算器。