『壹』 如何提高pls模型的擬合優度
增減樣本量，保持樣本均勻，改變模型形式提高pls模型的擬合優度。
增減樣本量即增加數據資料或者減少數據資料。
更換樣本勻樣本數據。這是指對於預設的數據資料或者易確定的現有數據，通過含野移動平均或者對於相鄰數據的平均值代替再脊陵建立相應的模型，以取得較好的效果。
改變模型形式。這是指如果允許用另外的模型以取得比現有模型更好的預測效果，則通過改變模型形式可能更有效。談野喊如直線型改變為曲線形或者一種曲線型改變為另一種曲線型。
增加模型中的解釋變數，對一些問題如果能夠獲得更多的影響因素數據，則增加解釋變數個數則會使我們的模型更加可靠。一般地，模型的擬合優度系數會隨著解釋變數個數增加而增加，除非所加入的變數對被解釋變數沒有更多地解釋力度。
『貳』 急！~用excel表格中如何提高所擬合直線的參數的精確度~
以03為例，添加漸趨線顯示公式後，雙擊公式，在數據標志格式中選擇「數字」，棚渣再選擇滑纖"數信和仿值"，把小數位數調到你想要的位數即可。
『叄』 matlab 中採用曲線擬合時，想要提高擬合精度，sum of sine的項數最多隻有8，如何提高number of terms
自己編寫擬合程序，採用最小二乘法！
『肆』 如何運用excel進行數據的擬合
擬合趨勢線。選中繪好的曲線，按右鍵，選擇「添加趨勢線」，在「類型」中選擇與這條曲線最近似的類型，如：線性、對數、多項式等（其中的一個），再在這個「添加趨勢線森野悄」選框中點「選項」，勾選「顯示公式」和「顯示R平方值」這兩項，確定後趨勢線做成。這時檢查R值是否接近1，如果R是1或者0.995左右（並且趨勢線與繪制的曲線基本重合），表示擬合的趨勢線和顯示的公式基本能表示數據的對應關系。但如果R跟1相比相差很大（或者趨勢線與繪制的曲線大相徑庭），就需要重新選「添加趨勢線」中「類型」，重新擬合直到R值接近1（一定要選所有趨勢線類型中R最接近1且趨勢線與繪制的曲線基本重合的那個）。
如果不能找到這樣一條擬合趨勢線，只能證明那些數據不能被擬合成一條回歸曲線（或者說擬合的效果不好，不能較好地反映數據的變化），這是因為不是所有的任何一組數據都能找到一條完美的與之相配的回歸線。
用各種不同方法做出的擬合方程不一樣的原因是：1、數據的規律性（即是上面所說的是否能很好地回歸），2、每種方法是否運用得當（是否都找到脊慶最符合的擬合方程）。如果數據的回歸性好且用每一種方法都得出了正確地擬合方程的話，我想由同一此渣數據擬合出的方程差別應該是較小的。
當然各種方法之間本身就有一定的差異性，所以就算滿足了上面所說的兩個條件，做出的擬合方程也不一定完全一樣。你只要在實際中摸索實踐，找到一種簡便有效的且最適合自己的方法，就沒必要每一次都用每一種方法去做，沒必要也費時費力。況且數據本身如果不是由函數直接得出（大多數情況應該都不是）的話，擬合得出的方程或曲線都只是一種趨勢、估算（而不是一種真實值），在預測、統計方面的作用應該要大些。
這只是我個人的看法，僅供參考。
『伍』 提高模型精確率的兩種方法
由於准確率和召回率往往不能兼顧，所以在數據分析的過程中，尤其實際業務中需要兼顧某一方。例如在違規文件封禁場景，為了減少審核人力的成本，需要一些能夠自動封禁的模型，這些模型對精確率要求比較高，有可能需要達到99%甚至以上的精確率。所以總結了兩種提升召回率的方法：
（1）切分數據集：在一個比較大數據集中，由於可能存在無法正確分類的異常點可能會導致精確率無法達標，我想到的一個辦法是將大的數據集進行切分（可以採用基尼系數的方式達到最優切分點），這樣在更小的數據集中基尼不純度也更低，更利於提高精確率。這里如果在每個子數據集中引入一個分類模型，效果會更好。
這種方式的一個問題是字數據集的數據量太少的話，每個模型可能會發生過擬合，所以採用這種方式的前提是要保證切分的子數據集個數不能太多，每個數據集的數量不能太少。
（2）調整閾值，這個恐怕是業務上最常用的方式了，也就是把模型的識別分數調高，以犧牲召回率為代價盡量提升精確率，如果是一般的規則，可能就是把某個特徵的閾值調高（或調低）。如果是用機器學習的話，也有可以輸出具體預測值的函數。
傳統的機器學習模型（sklearn）中，分類模型內置的cutoff閾值為0.5，調用predict函數的時候這個值是沒法改變的，模型直接輸出的是0 或者 1 的預測結果值。其實另外還有一個predict_proba函數，可以輸出每一類的具體預測概率值，這樣就可以通過if條件將cutoff值進行調整，已達到提升精確率或者擴大召回率的要求。
結果展示
測試集數據（11個特徵，歸一化後）
預測結果（兩列分別是預測結果為0類和1類的概率）
ps： 個人感覺將兩種方式結合使用感覺效果更好
『陸』 數據增強（解決過擬合）
為防止過擬合，除了正則化和Dropout還可以對樣本數據做增強。
1、一般對train集合做猛哪猜數據增強，對valid或test不做數據增強。當模型效果不好時，可以對test做多次，比如10次數據擴增，最後做平均。－－這點不是特枝型別理解。
2、做Cross Validtion 比如5折交叉驗證，生成5個模型，最後投票緩鬧。
3、不同的訓練參數。聯合前面兩種方法。
4、keras中的方法，如果是圖像，可以通過ImageDataGenerator進行增強。
『柒』 如何提高origin線性擬合度
這個問題我個芹旦人感覺你問的有問題。
電腦擬合程度想較於手工作圖當然更接近於理論擬合程度，即禪拆：如果在一台電腦上擬合正確，在其賀首棗他電腦上用同一組數據擬合的結果應該是一樣的，數據擬合結果具有普適性。
如果你想提高線性擬合度，你前提需要把數據做的好一些。或是用所學方法去掉一些誤差大的數據。
『捌』 過擬合問題
過擬合會造成模型變得復雜，並盡可能擬合訓練集，造成在訓練集上的准確率特別高，這里就會有一個問題就是：訓練集是不靠譜的，其中有容錯的數據。直接點，訓練集中特別是十幾萬的數據，會有臟數據，這些臟數據也成為負樣本，會造成模型訓練有誤差，模型在訓練的時候並不清楚那些是臟數據，它只會不停的去擬合這些數據，所以過擬合的模型在訓練集上准確率特別高，但訓練集其實只是整個數據集中的一部分，其包含兩部分特徵，一部分是整個數據集共有的特徵，一部分是訓練集自身共有的特徵，當過擬合時，模型學到的是這兩部分的特徵，此時拿模型去在測試集上測試時，因為測試集不包含訓練集自身共有的特徵，所以測試集在模型上就不會取得很好的效果。御如因此需要防止過擬合。主要優缺點如下：
訓練集的准確率很高，其實這個訓練集准確率高只能說明 模型擬合數據不錯，但是 針對測試集來說效果可能就不一定了，這個很難評估，不過大致可以說明模型還是可以的。
模型在測試集上的效果不好，過度的擬合噪音數據，過度擬合訓練集中特有特徵，所以過擬合的模型在測試集上表現都非常差。
欠擬合比較好理解就是模型簡單或者說語料集偏少、特徵太多，在訓練集上的准確率不高，同時在測試集上的准確率也不高，這樣如何訓練都無法訓練出有意義的參數，模型也得不到較好的效果，這個優缺點就不說了，基本上欠擬合就選擇合理的模型，合理的特徵，提高訓練集就行。
1、early stopping
Early stopping便是一種迭代次數截斷的方法來防止過擬合的方法，即在模型對訓練數據集迭代收斂之前停止迭代來防止過擬亂沖合。 Early stopping方法的具體做法是，在每一個Epoch結束時（一個Epoch集為對所有的訓練數據的一輪遍歷）計算validation data的accuracy，當accuracy不再提高時，就停止訓練。
2、數據集擴增
通過擴充數據集，讓訓練集中的噪音數據佔比越來越小，這樣噪音對模型的影響就較小，防止模型過擬合。
3、正則化
正則化是指在優化目標函數或代價函數是，在目標函數後面加上一個正則項。正則項通常有L1正則項和L2正則項。
4、 Dropout
正則是通過在代價函數後面加上正則項來防止模型過擬合。在神經網路中，有一種方法是通過修改自身結構來實現的，叫做Dropout。這是對網路訓練的一種技巧，在訓練過程中隨機刪除一些隱藏層的神經鎮陪啟元，同時保證輸入層和輸出層的神經元不變。
5、挑選合適的模型
模型不合適，挑選相對簡單的模型進行訓練，對模型中的參數、訓練層數等做限制。
6、可變化的學習率
————————————————
原文鏈接： https://blog.csdn.net/randompeople/article/details/82107740
『玖』 數據擬合有哪些重要方法和一些比較好的軟體
最小二乘法多次數據擬合比較好些，網上又很多vb編的軟體。，可以免費下載
『拾』 想請教一下 用spss算出來的R方也就是擬合度太小 那要怎麼改動才能調整到擬合度合適啊!
當你的樣本已經確定的時候，spss擬合曲線也唯一確定了，這個時候R值是無法改變的，它表現顫液的是你的數據的離散程度。如果想要讓R值合適的話，只有增加樣本量，這樣可以使得茄鏈物總體的離散程度減小，讓擬合的曲喚首線更接近於最終的真實結果。