Matlab实际上有多个可以实现回归分析的功能，如regress、polyfit、lsqcurvefit等。 这里简要总结polyfit函数的使用方法。
Matlab实际上有多个可以实现回归分析的功能，如regress、polyfit、lsqcurvefit等。 这里简要总结polyfit函数的使用方法。
polyfit函数基于最小二乘法，基本格式如下：
p=polyfit(x，y，n ) )。
([p，s]=polyfit(x，y，n ) )。
[p，s，mu]=polyfit(x，y，n ) ]
此处，各命令中的n为多项式拟合的次数，当n为1时，为一次拟合(在多数情况下，等价于一元线性回归)。 p为n 1维参数向量p(1)，p )2) . 拟合后对应的多项式为p )1) x^np )2) x^ ) n-1 )…p ) n ) xp ) n 1 )。 s是包含r (系数矩阵的QR分解的上三角矩阵)、df )自由度)、normr )拟合误差平方和的算术平方根)的11规模的结构排列。
求出p后，需要建立拟合函数。 只需使用命令。
f=polyval(p，x ) ) ) ) ) )。
然后plot给出x和f就可以了。 此外，在许多情况下，回归分析时需要提供相关系数。 其实很简单。 可以使用命令。
r=corrcoef(x，y )；
这样得到的r是相关系数矩阵，其中r [ 1，2 ]=r [ 2，1 ]是相关系数，其值介于[-1，1 ]之间，1表示最大的正相关，-1表示最大的负相关。 相关系数的绝对值越接近1，线性相关的性质越好，根据数据出图的函数-自变量图接近直线，拟合的直线接近出图。
另外，转载2个使用polyfit时的注意事项：
使用polyfit命令进行多项式拟合时，请注意向量x (此处以元素为参数)中不重复的元素数m和拟合阶数k必须满足m=k 1。 简要分析： k次拟合需要确定k 1的未知参数。 例如，1次拟合y=ax b需要确定a和b两个参数。 因此，至少需要k 1个方程式，所以至少需要k 1个不同的已知数对
2. polyfit只适合于形状为y=a [ k ] * x ^ ka [ k-1 ] * x ^ [ k-1 ]…. a [1] * xa [0]这样的完全一元多项式的数据拟合。
最后贴上简单拟合结果的图：
请阅读：
从Matlab和C/C联合编程的Matlab中调用C/C代码
二分类SVM方法Matlab的实现