matlab梯度下降法拟合曲线

使用梯度下降法拟合曲线可以通过以下步骤实现：

1. 定义损失函数，例如均方误差（MSE）。

2. 初始化模型参数，例如用随机数初始化权重。

3. 对于每个训练样本，计算损失函数对于每个模型参数的偏导数，即梯度。

4. 更新模型参数，例如使用学习率乘以梯度来更新权重。

5. 重复步骤3和4，直到达到收敛条件。

下面是一个使用梯度下降法拟合曲线的MATLAB示例代码：

% 生成数据
x = linspace(0, 1, 100);
y = sin(2*pi*x) + 0.5*randn(1, 100);

% 定义模型参数和损失函数
w = randn(2, 1);
loss = @(w) mean((w(1)*x + w(2) - y).^2);

% 梯度下降
lr = 0.1;
for i = 1:1000
    % 计算梯度
    grad = [mean(2*(w(1)*x + w(2) - y).*x); mean(2*(w(1)*x + w(2) - y))];
    % 更新权重
    w = w - lr*grad;
    % 打印损失
    disp(loss(w));
end

% 绘制拟合曲线
plot(x, y, 'o');
hold on;
plot(x, w(1)*x + w(2), 'r');

在这个例子中，我们使用一个简单的线性模型拟合正弦曲线，并使用随机梯度下降法更新模型参数。