‘壹’ 如何提高pls模型的拟合优度
增减样本量，保持样本均匀，改变模型形式提高pls模型的拟合优度。
增减样本量即增加数据资料或者减少数据资料。
更换样本匀样本数据。这是指对于缺省的数据资料或者易确定的现有数据，通过含野移动平均或者对于相邻数据的平均值代替再脊陵建立相应的模型，以取得较好的效果。
改变模型形式。这是指如果允许用另外的模型以取得比现有模型更好的预测效果，则通过改变模型形式可能更有效。谈野喊如直线型改变为曲线形或者一种曲线型改变为另一种曲线型。
增加模型中的解释变量，对一些问题如果能够获得更多的影响因素数据，则增加解释变量个数则会使我们的模型更加可靠。一般地，模型的拟合优度系数会随着解释变量个数增加而增加，除非所加入的变量对被解释变量没有更多地解释力度。
‘贰’ 急！~用excel表格中如何提高所拟合直线的参数的精确度~
以03为例，添加渐趋线显示公式后，双击公式，在数据标志格式中选择“数字”，棚渣再选择滑纤"数信和仿值"，把小数位数调到你想要的位数即可。
‘叁’ matlab 中采用曲线拟合时，想要提高拟合精度，sum of sine的项数最多只有8，如何提高number of terms
自己编写拟合程序，采用最小二乘法！
‘肆’ 如何运用excel进行数据的拟合
拟合趋势线。选中绘好的曲线，按右键，选择“添加趋势线”，在“类型”中选择与这条曲线最近似的类型，如：线性、对数、多项式等（其中的一个），再在这个“添加趋势线森野悄”选框中点“选项”，勾选“显示公式”和“显示R平方值”这两项，确定后趋势线做成。这时检查R值是否接近1，如果R是1或者0.995左右（并且趋势线与绘制的曲线基本重合），表示拟合的趋势线和显示的公式基本能表示数据的对应关系。但如果R跟1相比相差很大（或者趋势线与绘制的曲线大相径庭），就需要重新选“添加趋势线”中“类型”，重新拟合直到R值接近1（一定要选所有趋势线类型中R最接近1且趋势线与绘制的曲线基本重合的那个）。
如果不能找到这样一条拟合趋势线，只能证明那些数据不能被拟合成一条回归曲线（或者说拟合的效果不好，不能较好地反映数据的变化），这是因为不是所有的任何一组数据都能找到一条完美的与之相配的回归线。
用各种不同方法做出的拟合方程不一样的原因是：1、数据的规律性（即是上面所说的是否能很好地回归），2、每种方法是否运用得当（是否都找到脊庆最符合的拟合方程）。如果数据的回归性好且用每一种方法都得出了正确地拟合方程的话，我想由同一此渣数据拟合出的方程差别应该是较小的。
当然各种方法之间本身就有一定的差异性，所以就算满足了上面所说的两个条件，做出的拟合方程也不一定完全一样。你只要在实际中摸索实践，找到一种简便有效的且最适合自己的方法，就没必要每一次都用每一种方法去做，没必要也费时费力。况且数据本身如果不是由函数直接得出（大多数情况应该都不是）的话，拟合得出的方程或曲线都只是一种趋势、估算（而不是一种真实值），在预测、统计方面的作用应该要大些。
这只是我个人的看法，仅供参考。
‘伍’ 提高模型精确率的两种方法
由于准确率和召回率往往不能兼顾，所以在数据分析的过程中，尤其实际业务中需要兼顾某一方。例如在违规文件封禁场景，为了减少审核人力的成本，需要一些能够自动封禁的模型，这些模型对精确率要求比较高，有可能需要达到99%甚至以上的精确率。所以总结了两种提升召回率的方法：
（1）切分数据集：在一个比较大数据集中，由于可能存在无法正确分类的异常点可能会导致精确率无法达标，我想到的一个办法是将大的数据集进行切分（可以采用基尼系数的方式达到最优切分点），这样在更小的数据集中基尼不纯度也更低，更利于提高精确率。这里如果在每个子数据集中引入一个分类模型，效果会更好。
这种方式的一个问题是字数据集的数据量太少的话，每个模型可能会发生过拟合，所以采用这种方式的前提是要保证切分的子数据集个数不能太多，每个数据集的数量不能太少。
（2）调整阈值，这个恐怕是业务上最常用的方式了，也就是把模型的识别分数调高，以牺牲召回率为代价尽量提升精确率，如果是一般的规则，可能就是把某个特征的阈值调高（或调低）。如果是用机器学习的话，也有可以输出具体预测值的函数。
传统的机器学习模型（sklearn）中，分类模型内置的cutoff阈值为0.5，调用predict函数的时候这个值是没法改变的，模型直接输出的是0 或者 1 的预测结果值。其实另外还有一个predict_proba函数，可以输出每一类的具体预测概率值，这样就可以通过if条件将cutoff值进行调整，已达到提升精确率或者扩大召回率的要求。
结果展示
测试集数据（11个特征，归一化后）
预测结果（两列分别是预测结果为0类和1类的概率）
ps： 个人感觉将两种方式结合使用感觉效果更好
‘陆’ 数据增强（解决过拟合）
为防止过拟合，除了正则化和Dropout还可以对样本数据做增强。
1、一般对train集合做猛哪猜数据增强，对valid或test不做数据增强。当模型效果不好时，可以对test做多次，比如10次数据扩增，最后做平均。－－这点不是特枝型别理解。
2、做Cross Validtion 比如5折交叉验证，生成5个模型，最后投票缓闹。
3、不同的训练参数。联合前面两种方法。
4、keras中的方法，如果是图像，可以通过ImageDataGenerator进行增强。
‘柒’ 如何提高origin线性拟合度
这个问题我个芹旦人感觉你问的有问题。
电脑拟合程度想较于手工作图当然更接近于理论拟合程度，即禅拆：如果在一台电脑上拟合正确，在其贺首枣他电脑上用同一组数据拟合的结果应该是一样的，数据拟合结果具有普适性。
如果你想提高线性拟合度，你前提需要把数据做的好一些。或是用所学方法去掉一些误差大的数据。
‘捌’ 过拟合问题
过拟合会造成模型变得复杂，并尽可能拟合训练集，造成在训练集上的准确率特别高，这里就会有一个问题就是：训练集是不靠谱的，其中有容错的数据。直接点，训练集中特别是十几万的数据，会有脏数据，这些脏数据也成为负样本，会造成模型训练有误差，模型在训练的时候并不清楚那些是脏数据，它只会不停的去拟合这些数据，所以过拟合的模型在训练集上准确率特别高，但训练集其实只是整个数据集中的一部分，其包含两部分特征，一部分是整个数据集共有的特征，一部分是训练集自身共有的特征，当过拟合时，模型学到的是这两部分的特征，此时拿模型去在测试集上测试时，因为测试集不包含训练集自身共有的特征，所以测试集在模型上就不会取得很好的效果。御如因此需要防止过拟合。主要优缺点如下：
训练集的准确率很高，其实这个训练集准确率高只能说明 模型拟合数据不错，但是 针对测试集来说效果可能就不一定了，这个很难评估，不过大致可以说明模型还是可以的。
模型在测试集上的效果不好，过度的拟合噪音数据，过度拟合训练集中特有特征，所以过拟合的模型在测试集上表现都非常差。
欠拟合比较好理解就是模型简单或者说语料集偏少、特征太多，在训练集上的准确率不高，同时在测试集上的准确率也不高，这样如何训练都无法训练出有意义的参数，模型也得不到较好的效果，这个优缺点就不说了，基本上欠拟合就选择合理的模型，合理的特征，提高训练集就行。
1、early stopping
Early stopping便是一种迭代次数截断的方法来防止过拟合的方法，即在模型对训练数据集迭代收敛之前停止迭代来防止过拟乱冲合。 Early stopping方法的具体做法是，在每一个Epoch结束时（一个Epoch集为对所有的训练数据的一轮遍历）计算validation data的accuracy，当accuracy不再提高时，就停止训练。
2、数据集扩增
通过扩充数据集，让训练集中的噪音数据占比越来越小，这样噪音对模型的影响就较小，防止模型过拟合。
3、正则化
正则化是指在优化目标函数或代价函数是，在目标函数后面加上一个正则项。正则项通常有L1正则项和L2正则项。
4、 Dropout
正则是通过在代价函数后面加上正则项来防止模型过拟合。在神经网络中，有一种方法是通过修改自身结构来实现的，叫做Dropout。这是对网络训练的一种技巧，在训练过程中随机删除一些隐藏层的神经镇陪启元，同时保证输入层和输出层的神经元不变。
5、挑选合适的模型
模型不合适，挑选相对简单的模型进行训练，对模型中的参数、训练层数等做限制。
6、可变化的学习率
————————————————
原文链接： https://blog.csdn.net/randompeople/article/details/82107740
‘玖’ 数据拟合有哪些重要方法和一些比较好的软件
最小二乘法多次数据拟合比较好些，网上又很多vb编的软件。，可以免费下载
‘拾’ 想请教一下 用spss算出来的R方也就是拟合度太小 那要怎么改动才能调整到拟合度合适啊!
当你的样本已经确定的时候，spss拟合曲线也唯一确定了，这个时候R值是无法改变的，它表现颤液的是你的数据的离散程度。如果想要让R值合适的话，只有增加样本量，这样可以使得茄链物总体的离散程度减小，让拟合的曲唤首线更接近于最终的真实结果。