逻辑回归模型已成为研究二进制响应变量之间的关联的常用方法。 它的广泛应用取决于其易于应用和解释。 Logistic回归模型的拟合优度评估主题吸引了许多科学家和研究人员的关注。 拟合优度测试是确定拟合模型的适用性的方法。 在logistic回归模型中提出和讨论了许多评估拟合优度的方法，但是，拟合优度统计量的渐近分布研究较少，需要进行更多的研究。 这项工作将专注于评估拟合优度检验的渐近分布行为，还将进行全局拟合优度检验之间的比较，并通过仿真对其进行评估。

一元线性回归，最小二乘法，C++语言VS2008下调试通过，可直接使用，有注释。

四、参数的置信区间 参数的置信区间用来考察：在一次抽样中所估计的参数值离参数的真实值有多“近”。 在变量的显著性检验中已经知道： 容易推出：在(1-)的置信水平下i的置信区间是 其中，t/2为显著性水平为 、自由度为n-k-1的临界值。

ELISA Calc是一款回归和拟合数据计算程序，能够用来计算直线回归、二次曲线回归、三次曲线回归、HILL曲线拟合、指数曲线拟合、三次样条插值。

简单易用的小程序——不超过550KB——轻松解决二元一次的线性数据拟合问题 按照提示输入数据即可迅速得到所求的最优线性方程！

#演示内容：二次回归和线性回归的拟合效果的对比 """ print(__doc__) import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression from sklearn.preprocessing import PolynomialFeatures from matplotlib.font_manager import FontProperties font_set = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=20) def runplt(): plt.figure()# 定义figure plt.title(u'披萨的价格和直径',fontproperties=font_set) plt.xlabel(u'直径（inch）',fontproperties=font_set) plt.ylabel(u'价格（美元）',fontproperties=font_set) plt.axis([0, 25, 0, 25]) plt.grid(True) return plt

利用局部加权回归，对UCI数据进行分段线性拟合，使用时需修改下路径名。

极限学习机的回归拟合与分类

通过sas软件，拟合出多元线性回归方程，接着求出其残差、学生化残差、杠杆量等，进而求出学生化残差，画出QQ图，画出残差图，最后进行BOX-COX变换。

利用正规方程矩阵求导进行最小二乘，求得最佳拟合直线。