MATLAB 数据拟合 （使用 polyfit 多项式曲线拟合、polyval）

解决数据拟合问题最重要方法是最小二乘法和回归分析。如，我们需要从一组测定的数据（例如N个点（xi，yi）（i=0,1，…，m））去求得自变量 x 和因变量 y 的一个近似解表达式 y=f（x），这就是由给定的 N 个点（xi，yi）（i=0,1，…，m）求数据拟合的问题。（注意数据拟合和数据插值是不同的，举个例子：因为测量数据往往不可避免地带有测试误差，而插值多项式又通过所有的点（xi，yi），这样就使插值多项式保留了这些误差，从而影响逼近精度，使得插值效果不理想）
所以使用最小二乘法曲线拟合法：即寻求已知函数的一个逼近函数y=f（x），使得逼近函数从总体与已知函数的偏差按某种方法度量能达到最小，而又不一定通过全部的点（xi，yi），这个时候就需要使用最小二乘法曲线拟合法。
数据拟合的具体做法是：对给定的数据（xi，yi）（i=0,1，…，m），在取定的函数类$\varphi$中使误差$r_i=p\left(x_i\right)-y_i(i=0,1,\dots ,m)$的平方和最小，即
$${\left[\sum _{i=0}^m{r}_i^2=\sum _{i=0}^m{\left[p\left(x_i-y_i\right)\right]}^2\right]}_{\min }$$
从几何意义讲，即寻求与给定点 $x_i-y_i(i=0,1,\dots ,m)$ 的距离平方和为最小的曲线y=p（x）。函数p（x）称为拟合函数或最小二乘解，求拟合函数p（x）的方法称为曲线拟合的最小二乘法。
在曲线拟合中，函数类 $\varphi$ 可有不同的选取方法。
MATLAB工具箱中提供了最小二乘拟合函数 polyfit() -->多项式曲线拟合
具体调用格式有三种：

1. P = polyfit(X,Y,N)
2. [P,S] = polyfit(X,Y,N)
3. [P,S,MU] = polyfit(X,Y,N)

（1）P = polyfit(X,Y,N) 返回次数为 n 的多项式 p(x) 的系数，该阶数是 y 中数据的最佳拟合（在最小二乘方式中）。p 中的系数按降幂排列，p 的长度为 n+1.
其中 X 为输入的向量x，Y 为得到的函数值，N 表示拟合的最高次数，返回的P值为拟合的多项式：

$$P(1)\times <$$