1.确定要拟合的类型
一般情况下matlab会直接提供常用的类型，用fittype创建拟合模型。至于matlab具体提供了哪些模型，参见帮助”List of library models for curve and surface fitting”
ft = fittype( 'gauss1' ); %高斯拟合
如果库中没有自己想要的拟合形式，可以自己进行定义，此时使用匿名函数是很方便的，格式如下
ft = fittype(@(a,b,c,x) a*x^3 + b*x^2 +c*x );
使用自定义拟合形式需要注意几点：
自变量必须是x参数要放在自变量前面，在上面的例子中，匿名函数参数的形式为(a, b, c, x)，便遵循了这一规则
2.要拟合的数据格式
在最简单的情况下，即拟合两个向量X,Y，则其必须是列向量
3.拟合
使用fit进行拟合
fitresult= fit( xData, yData, ft);
其输出fitresult是一个cfit型的对象(object)，主要包含两个内容：1，拟合模型，即第一步中确定的拟合类型；2，拟合所得系数的值。例如对第一步中所创建的高斯模型，其fitresult 的值为
fitresult = General model Gauss1: fo(x) = a1*exp(-((x-b1)/c1)^2) Coefficients (with 95% confidence bounds): a1 = 45.54 (42.45, 48.64) b1 = 0.01011 (0.0101, 0.01012) c1 = 0.0002551 (0.0002353, 0.0002748)
获得了这样一个object，如何把其中的系数提取出来呢？这个要用到coeffvalues函数
>> coeffvalues(fitresult)ans = 45.5426 0.0101 0.0003
4.获取拟合优度
现在已经获得了拟合系数，那到底拟合得怎么样呢？可以使用下面的格式获取拟合优度
[fitresult ,gof] = fit(X,Y,'gauss1');
gof是一个结构体，包含4个量
sse：Sunm of squares due to error rsquare：R-square 这个就是线性回归里的那个R2，与线性回归里的具有同样的意义 dfe：Degrees of freedom in the error，不懂 adjrsquare: 也不懂 rmse: 误差的均方根值(rms)
暂时只需要用到这些，更高级的要用的时候再说。
勇士面前无险路。
