很多使用者諮詢elisa實驗後如何進行曲線製作？那麼對於那麼多的曲線計算公式，該如何選擇最佳的擬合方程呢？
那麼今天我們就來簡要聊一聊elisa標曲擬合的那些事兒吧！
產品說明書都會推薦使用者擬合標曲方法，可以用軟體繪製也可以通過excel進行製作。按照科學分析方法，如果存在奇異點或者汙點，直接採用線性分析不是很好，要對擬合曲線的幾個點進行取捨，同時也可以改用雙對數直線擬合或者四引數曲線擬合。
那麼常用的曲線擬合回歸方程主要為以下幾種：
第一種是直線回歸：直線回歸是最簡單的回歸模型,也是最基本的曲線擬合回歸分析方法，將所有的測試點擬合為一條直線，其擬合函式方程式為：y=a+bx。但是因為實際實驗中線性極好的情況下可能直線回歸可以獲得較為理想的r2值。那麼如果直線線性不理想的情況下如何擬合？
作為擁有十多年elisa產品生產經驗的企業，我們會推薦使用者進行多項式擬合來改善直線回歸線性不理想的問題。
二次多項式擬合回歸方程：二次多項式成拋物線狀，開口向下或者向上，在很多elisa實驗中，擬合近似於二次多項式的公升段或者降段，所以使用二次多項式擬合時，最好保證取值的範圍都落在曲線的公升段或者降段。其擬合函式方程式為：y=ax2+bx+c
說到雙抗夾心，我們還有對應的競爭抑制elisa產品，它的曲線擬合也要給您介紹下。
對數擬合回歸方程：我們將標準品的o.d測值設為x軸，標準品濃度的對數作為y軸，濃度是自變數，o.d.值是因變數進行曲線擬合。
最後一種是四引數擬合回歸方程：競爭法和夾心法都可以用到。它的形狀,根據情況,可能是乙個單調上公升的類似指數,對數,或雙曲線的曲線,也可能是乙個單調下降的上述曲線,還可以是一條s形曲線。它要求x值不能小於0(因為指數是實數,故有此要求)。在很多情況下它都可以擬合elisa的反應曲線,所以它也成了elisa中應用最廣的模型之一。
曲線擬合方法雖多，要根據不同型別elisa本身的特點，選擇最適合的曲線擬合模型，才能得到最合理的實驗結果。一般情況下，需要綜合考慮標準曲線的趨勢走向以及r值的大小以及樣本落值情況。
這是我司關於雙抗夾心與競爭抑制elisa曲線擬合的示例，感興趣的朋友瀏覽以下網頁：
一次線性回歸擬合 二次線性回歸擬合
器學習一次回歸和二次回歸 reshape 行，列 可以根據指定的數值將資料轉換為特定的行數和列數 reshape 1，1 之後，資料集變成了一列 採用線性回歸方程 lr linearregression lr.fit x,y from sklearn.linear model import line...
二元二次擬合 matlab函式
二元二次擬合自變數有2個，因變數乙個，可以使用的有nlinfit和regress，線性時用regress，非線性時用nlinfit。由於是二元二次模型，2個函式都可以用。以regress為例，假設因變數存在y向量中，自變數存在x1 x2向量中。因為要使用二元二次模型，首先要構造自變數矩陣 x x1....
tensorflow一元二次函式擬合
先看下要做的內容，建立一元二次函式y x平方 0.5，其中為了更符合散點圖模擬需要，在方程加噪點，以標準方差0.05行駛，如圖所示 折線圖散點圖 下面我們要做的，是要計算機自動擬合出該散點圖的函式，畫出圖樣，如圖 下面，就通過tensorflow來看如何做出這個樣子 在tensorflow中，首先定...