MATLAB数据拟合实战：从最小二乘到模型验证

做数据分析或实验处理的人，十有八九会遇到同一个尴尬：手里有一堆测量数据，但不知道该怎么把它们变成一条既平滑又有意义的曲线。有人直接连点成线，噪声全被留在曲线里；有人硬套一个高次多项式，两端抖得像心电图；还有人用插值穿透所有点，到了预测新数据时却完全失去方向。这件事在 MATLAB 里的正式名字就是“数据拟合”。

真正的问题往往不是不会调用 polyfit，而是把“拟合”当成一个复制粘贴就能完成的步骤，跳过了模型选择、结果验证和参数解释。如果你也卡在这个坎上，这篇文章正好值得读完。作为“大谦MATLAB”免费教程系列中数据拟合部分的完整展开，我会从一个更实用的角度讲清：MATLAB 数据拟合到底解决什么问题、什么时候该用插值什么时候该用拟合、三条最常用的代码路径怎么选、以及如何判断拟合结果能不能真的用于工程预测。

读完这篇文章，你可以用最小二乘的思路理解多项式拟合、自定义函数拟合和非线性拟合的代码逻辑，跑通自己的数据，并学会用 R²、RMSE 和残差图判断结果是否可靠。文中所有示例都附带完整代码和运行后的预期输出，建议先收藏再慢慢对照练习。

1. 这篇文章真正要解决的问题

先说结论：MATLAB 数据拟合的学习难点不在语法，而在“建模判断”。网上大量教程只告诉你怎么调 polyfit，却不告诉你为什么选三次多项式而不是十次多项式；只展示一条漂亮的拟合曲线，却不展示残差图里明显的 U 形规律；只报一个高达 0.99 的 R²，却不提醒你这样的模型很可能已经过拟合，在新数据上一塌糊涂。

这正是本文要补上的部分。数据拟合本质上是“从噪声中找出规律”的过程，它横跨实验数据处理、传感器标定、系统辨识、曲线预测等多个场景。无论是本科生做课程设计，研究生处理实验数据，还是工程师做设备校准，都会在某个阶段被同一类问题卡住：数据画出来不直、模型不知道用什么、拟合完不知道怎么评价、换一组数据就跑不通。本文会围绕这几个真实痛点展开，先讲概念，再给完整代码，最后把你可能遇到的报错和坑一起列出来。

什么样的读者最应该读这篇文章？如果你是刚接触 MATLAB、只知道 plot 和 for 循环的初学者，这里会把拟合相关的基础概念讲透；如果你已经在用 polyfit 但心里没底，不知道结果到底靠不靠谱，本文的验证方法和最佳实践可以直接改进你的工作流；如果你是做课题写论文的科研人员，文中关于置信区间、残差分析和交叉验证的内容，能帮你把拟合结果写得更有说服力。

2. 数据拟合的核心概念与适用场景

2.1 什么是数据拟合

数据拟合，通俗地说，就是给定一组观测点 (x₁, y₁), (x₂, y₂), …, (xₙ, yₙ)，用一个函数 y = f(x) 去描述 x 和 y 之间的内在关系。注意关键词是“内在关系”，而不是“精确经过每个点”。因为实验数据普遍带有测量噪声，如果强行让曲线穿过每一个点，实际上等于把噪声也当成了规律，这样的模型没有任何预测能力。

一个最直观的例子是温度传感器标定。你拿一支已知准确的温度计和一支待标定的传感器，在不同温度下记录读数，得到一组看起来接近直线、又略有弯曲的数据点。数据拟合要做的就是找出“真实温度 = a × 传感器读数 + b”这种关系式，让误差在整体上最小。拟合完成后，传感器后续的任何读数都能根据这个关系式换算成真实温度。这比逐点查表方便得多，也比生硬地连接所有点可靠得多。

从数学上看，拟合的目标是找到一组参数，使得某个误差准则最小。最常见的准则就是残差平方和最小，也就是所有数据点到拟合曲线的竖直距离的平方和最小。这套方法叫最小二乘法，是 MATLAB 里 polyfit、fit、lsqcurvefit 等函数的共同数学基础。

2.2 拟合和插值的区别

很多初学者会把“插值”和“拟合”混淆，实际上它们是两种思路完全不同的操作。插值的目标是构造一条经过所有已知点的曲线，你给多少数据点，曲线就严格穿过多少个点；而拟合的目标是找一条能代表整体趋势的曲线，它不要求经过任何特定点，只要求整体误差最小。

选择依据其实很简单：如果数据本身是精确的，没有测量误差，而你需要还原数据的完整形状，用插值；如果数据带有噪声，而你需要建立数学模型、做预测或外推，用拟合。现实中的实验数据几乎都有噪声，所以工程上拟合的使用频率远高于插值。

2.3 最小二乘法：拟合的数学基础

最小二乘法的思想可以追溯到高斯年代，它解决的问题是：给定一组数据，如何找到一条最合适的曲线。所谓“最合适”，就是让所有数据点到曲线的误差平方和最小。写成数学表达式就是：

min Σ (yᵢ - f(xᵢ))²

这里 yᵢ 是第 i 个观测值，f(xᵢ) 是模型在 xᵢ 处的预测值。为什么要用平方而不是绝对值？原因有两个。第一，平方能避免正负误差相互抵消，如果只用残差求和，+5 和 -5 会加起来等于 0，看起来完全没误差，实际上误差很大。第二，平方会放大大的误差，让拟合算法更关注那些偏离明显的点，这在绝大多数场景下是符合直觉的。

在 MATLAB 里，你不需要手动实现最小二乘的矩阵求解，polyfit 会帮你完成线性最小二乘，fit 和 lsqcurvefit 会在其基础上处理更复杂的自定义函数和约束问题。但理解这个原理仍然很重要，因为你后面判断拟合结果是否合理、初始参数怎么设置、为什么某个模型不收敛，最终都要回到这个误差准则上来。

3. MATLAB 环境准备与前置条件

3.1 版本与工具箱说明

MATLAB 数据拟合涉及到的功能分布在不同的工具箱里，动手之前先确认自己的版本里有没有对应模块。从搜到的热词来看，R2021a、R2022b、R2023b、R2025b 等版本都有大量用户在使用，本文的示例代码在这些版本上都可以运行。如果用的是更早的版本，建议在命令行先检查一下工具箱是否可用。

% 检查当前 MATLAB 版本 version % 检查关键工具箱是否安装 license('test', 'Curve_Fitting_Toolbox') license('test', 'Optimization_Toolbox')

polyfit 和 polyval 属于 MATLAB 基础功能，任何版本都能用；fit、fittype、predint 属于 Curve Fitting Toolbox（曲线拟合工具箱）；lsqcurvefit 属于 Optimization Toolbox（优化工具箱）。如果你的 license 返回 0，说明对应工具箱没有安装或没有授权，后面示例二和示例三就跑不起来。

这是一个很容易被忽视的坑：很多新手下载了某个版本的 MATLAB，发现 fit 函数报“未定义”，第一反应是代码写错了，实际上问题出在工具箱缺失上。解决方案是让课题组的许可证管理员开通对应工具箱，或者改用纯基础功能的 polyfit 方案。

3.2 数据准备与导入

拟合之前，数据的准备质量直接决定结果质量。建议统一走“导入、清洗、提取、可视化”四步。先把数据读进 MATLAB，推荐用 readtable 或 readmatrix 读取 Excel 或 CSV 文件，它们能自动处理表头和数据格式。

% 读取 CSV 文件，假设第一列是 x，第二列是 y data = readmatrix('measure_data.csv'); x = data(:, 1); y = data(:, 2); % 检查数据中是否有缺失值 nan_idx = isnan(x) | isnan(y); fprintf('发现 %d 个 NaN 数据点\n', sum(nan_idx)); % 删除缺失值 x(nan_idx) = []; y(nan_idx) = [];

这里涉及到一个搜索量很高的问题：MATLAB 数组怎么取出多列。上面代码里的 data(:, 1) 就是取第一列，data(:, 2) 取第二列，data(:, 1:2) 取前两列。冒号表示“所有行”，数字表示列索引，这是 MATLAB 数据处理的基石语法，拟合之前必须熟练掌握。清洗数据时要注意，NaN 会沿着计算链传播，你画图时可能不报错，但一拟合就全变成 NaN 结果。所以第一步先把缺失值清掉是聪明做法。

4. 数据拟合的核心流程拆解

4.1 第一步：可视化原始数据

无论你后面打算用什么模型，第一步永远是画图。先 plot 出散点图，观察数据的分布形态、趋势方向、是否有明显的弯曲、是否存在离群点。这一步看似简单，却能避免后面大量的无效尝试。

figure; plot(x, y, 'o', 'MarkerSize', 6, 'LineWidth', 1.2); xlabel('x'); ylabel('y'); title('原始数据散点图'); grid on;

画完图你会获得三个关键信息。第一，数据是线性、二次、指数还是周期性趋势，这决定了模型的初步方向；第二，数据里有没有明显偏离整体的离群点，这些点可能来自传感器故障或记录错误，需要决定是否剔除；第三，x 的范围和 y 的范围是否跨多个量级，这影响后面是否需要归一化。跳过这一步直接拟合，基本等于蒙着眼睛开车。

4.2 第二步：选择模型

模型选择是拟合里最有技术含量的一步，核心原则是“先物理后数学”：优先采用领域内的理论公式，比如物理学里的指数衰减、化学里的动力学方程、生物学里的酶促反应方程；没有理论依据时，再退而求其次选择多项式、指数等经验模型。

初学者最容易犯的错误是“什么都能拟合就选高次多项式”。确实，一个十次多项式可以完美穿过十一个数据点，R² 接近 1，但这样的模型在预测上往往毫无用处，因为它在数据范围之外会剧烈振荡。更稳妥的做法是：先选最简单的模型，如果残差分析显示模型明显不足，再逐步增加复杂度。

4.3 第三步：执行拟合与结果验证

选定模型后，调用对应的拟合函数得到参数，然后立刻进入验证环节，不要直接拿去用。验证至少要做三件事：计算拟合优度指标（R²、RMSE），观察残差分布是否随机，必要时做交叉验证。如果验证不通过，回到第二步换模型或调初始值。

4.4 第四步：保存与使用拟合结果

拟合完成后，把得到的参数、拟合函数、置信区间和应用的数据范围一起保存。这里特别提醒：不要把拟合模型用于超出数据范围的外推预测。一个在 0 到 10 范围内拟合得很好的指数模型，在 x = 100 处可能已经是完全荒谬的值。保存结果时建议同时保存 fit 对象本身，后续可以直接用 feval 或 polyval 做预测。

5. 完整示例与代码实现

5.1 示例一：polyfit 多项式拟合

这是最基础、也最常用的拟合方式。假设我们有一组受噪声污染的数据，真实关系是 y = 0.5x² - 2x + 3，我们用 polyfit 分别做一次、二次、三次多项式拟合，然后比较结果。

% 文件路径：demo_polyfit.m clear; clc; rng(42); % 生成带噪声的测试数据 x = linspace(0, 10, 50)'; y_true = 0.5 * x.^2 - 2 * x + 3; y = y_true + 5 * randn(size(x)); % 一次、二次、三次多项式拟合 p1 = polyfit(x, y, 1); p2 = polyfit(x, y, 2); p3 = polyfit(x, y, 3); % 计算拟合值 y_fit1 = polyval(p1, x); y_fit2 = polyval(p2, x); y_fit3 = polyval(p3, x); % 以二次多项式为例计算拟合优度 residuals = y - y_fit2; SSE = sum(residuals.^2); SST = sum((y - mean(y)).^2); R2 = 1 - SSE / SST; RMSE = sqrt(SSE / numel(y)); fprintf('二次多项式拟合结果：\n'); fprintf('系数: a=%.3f, b=%.3f, c=%.3f\n', p2(1), p2(2), p2(3)); fprintf('R2 = %.4f, RMSE = %.4f\n', R2, RMSE); % 绘图对比 figure; plot(x, y, 'o', 'MarkerSize', 5); hold on; plot(x, y_fit1, '-', 'LineWidth', 1.5, 'DisplayName', '一次拟合'); plot(x, y_fit2, '-', 'LineWidth', 1.5, 'DisplayName', '二次拟合'); plot(x, y_fit3, '-', 'LineWidth', 1.5, 'DisplayName', '三次拟合'); xlabel('x'); ylabel('y'); legend('Location', 'best'); title('多项式拟合对比'); grid on;

这段代码的关键细节有两处。第一，生成数据时用了 x.^2 而不是 x^2，这就是 MATLAB 里点乘和直接乘的区别：x^2 是矩阵乘法，x 是 50×1 的列向量时根本不能自乘，会报“Matrix dimensions must agree”的错误；而 x.^2 是逐元素平方，正是我们需要的。第二，rng(42) 固定了随机数种子，保证每次运行生成的噪声完全相同，这在高次对比和教学演示中非常重要。

预期的运行结果是：二次拟合的 R² 显著高于一次拟合，与三次拟合的 R² 差距不大。这说明引入二次项是必要的，而继续增加三次项收益有限，按照“模型尽量简单”的原则，选择二次多项式就够了。运行后你会在图形窗口看到三条曲线，二次和三次几乎重叠，一次则明显偏离。

5.2 示例二：fittype 自定义函数拟合

真实项目里，多项式往往不够用。比如你观测到一组指数衰减数据，理论模型是 y = a·e^(-b·x)，这时可以用 Curve Fitting Toolbox 的 fittype 定义自己的函数形式，然后调用 fit 求解参数。

% 文件路径：demo_custom_fit.m clear; clc; rng(7); % 生成带噪声的指数衰减数据 x = linspace(0, 5, 100)'; y = 3 * exp(-1.2 * x) + 0.1 * randn(100, 1); % 定义自定义拟合模型 ft = fittype('a * exp(-b * x)', ... 'independent', 'x', 'dependent', 'y'); % 设置拟合选项，指定参数初始值 fo = fitoptions(ft); fo.StartPoint = [2, 1]; % 执行拟合，返回拟合对象和拟合优度 [fresult, gof] = fit(x, y, ft, fo); % 显示拟合结果 disp('拟合得到的模型：'); disp(fresult); fprintf('R2 = %.4f, RMSE = %.4f\n', gof.rsquare, gof.rmse); % 绘制拟合曲线和 95% 置信预测带 x_new = linspace(0, 5, 200)'; [y_pred, ci] = predint(fresult, x_new, 0.95); figure; plot(x, y, 'o', 'MarkerSize', 5); hold on; plot(x_new, y_pred, 'r-', 'LineWidth', 1.8); plot(x_new, ci(:, 1), 'k--', 'LineWidth', 1); plot(x_new, ci(:, 2), 'k--', 'LineWidth', 1); xlabel('x'); ylabel('y'); legend('原始数据', '拟合曲线', '95% 置信带', 'Location', 'best'); title('指数衰减模型拟合'); grid on;

fittype 的优势在于它保留了函数的解析形式，拟合后你得到的 fresult 是一个 cfit 对象，可以直接用 feval(fresult, 3.5) 计算 x = 3.5 时的预测值，也可以用 predint 计算置信区间。初值 StartPoint 在这里非常重要，如果设置成 [0, 0] 或差距过大的值，算法可能收敛到局部最优，甚至直接报错。

预期输出中，拟合得到的 a 大约在 2.9 到 3.1 之间，b 大约在 1.1 到 1.3 之间，与生成数据的真实参数 3 和 1.2 接近但不完全一致，这是正常现象，因为数据里加了噪声。置信带在数据密集的中间区域较窄，两端会略微变宽，这反映预测在这些地方的不确定性更大。

5.3 示例三：lsqcurvefit 非线性最小二乘拟合

当模型无法通过 fittype 表示，或你需要在优化框架里做更精细的控制时，可以用 Optimization Toolbox 的 lsqcurvefit。这里以生物化学中经典的 Michaelis-Menten 酶动力学方程为例：V = Vmax × S / (Km + S)，S 是底物浓度，V 是反应速率，Vmax 是最大速率，Km 是米氏常数。

% 文件路径：demo_lsqcurvefit.m clear; clc; % 实验数据：底物浓度 S 和反应速率 V S = [0.1, 0.2, 0.5, 1.0, 2.0, 5.0, 10.0, 20.0]'; V = [0.45, 0.80, 1.60, 2.30, 3.10, 3.90, 4.40, 4.60]'; % 定义模型函数，params(1)=Vmax, params(2)=Km model = @(params, S) params(1) * S ./ (params(2) + S); % 设置初始参数估计 x0 = [5, 1]; % 执行非线性最小二乘拟合 params_est = lsqcurvefit(model, x0, S, V); % 提取参数 Vmax = params_est(1); Km = params_est(2); fprintf('拟合结果：Vmax = %.3f, Km = %.3f\n', Vmax, Km); % 绘制拟合效果 S_smooth = linspace(0, 20, 200)'; V_fit = model(params_est, S_smooth); figure; plot(S, V, 'o', 'MarkerSize', 8); hold on; plot(S_smooth, V_fit, 'r-', 'LineWidth', 1.8); xlabel('底物浓度 S'); ylabel('反应速率 V'); legend('实验数据', 'Michaelis-Menten 拟合', 'Location', 'best'); title('酶动力学曲线拟合'); grid on;

这里有个非常直观的符号细节：模型函数里用的是 S ./ (params(2) + S)，也就是逐元素的除法，因为我们希望输出是一个和 S 同样长度的数组。如果错写成 S / (params(2) + S)，MATLAB 会尝试解线性方程组而不是逐元素运算，结果就是维度报错或错误结果。这正是热词里“matlab中点乘和直接乘有啥区别”在数据拟合场景中的经典体现。

预期输出中，Vmax 大约在 4.8 左右，Km 大约在 0.9 左右。lsqcurvefit 返回的是让残差平方和最小的参数组合，它不保证是全局最优，所以初始值 x0 的设置至关重要。如果你把 x0 改成 [100, 100]，很可能得到一组完全不同的参数，而且曲线无法与数据重合。实用建议是：先根据数据量级估算参数范围，再设置初值。例如 V 的最大观测值是 4.60，Vmax 至少应该大于 4.6，所以初值取 5 是合理的。

5.4 示例四：cftool 交互式拟合

如果你不想写代码，只想快速试探不同模型，MATLAB 的 cftool（曲线拟合工具箱图形界面）是最好的选择。在命令行输入：

cftool

会弹出交互式界面。把工作区里的 x 和 y 变量选进 X data 和 Y data，工具箱会立即显示散点图。接着在左侧模型列表里切换 polynomial、exponential、power 等类型，右侧会实时更新拟合曲线和 R² 等指标。这个界面最大的价值是帮你快速感知不同模型的拟合效果差异，适合在做正式建模之前做模型选型。

更实用的一点是，cftool 可以自动生成代码。你在界面里调好模型、确认参数设置后，菜单栏选择“文件 -> Generate Code”，MATLAB 会生成一个完整的脚本函数，包含所有拟合配置和绘图代码。这样你既能享受图形界面交互的便利，又能把最终结果固化成可复现的脚本，推荐每位读者都试一遍这个流程。

6. 运行结果与效果验证

6.1 拟合优度指标怎么看

拟合完成不等于拟合成功。MATLAB 在 fit 函数的返回值 gof 里直接给出了多个指标，polyfit 则需要你自己计算。需要重点关注的指标有四个：

实际使用中，R² 是最常被引用的指标，但它有一个陷阱：只要增加多项式次数，R² 一定不降，所以 R² = 0.999 的高次多项式并不一定比 R² = 0.98 的二次模型更好。更可靠的判断标准是看 Adjusted R²，它引入了对参数数量的惩罚。在示例一里你会发现，三次拟合的 Adjusted R² 可能略低于二次，这就说明三次项没有带来真正的信息增量，模型应该止步于二次。

6.2 残差分析

残差是原始数据减去拟合预测值的差值。一个好的拟合模型，残差应该围绕 0 随机分布，没有任何明显的形状。如果残差图呈现出 U 形、倒 U 形或周期性，说明当前模型没有捕捉到数据的某些结构，需要换模型或增加项数。

% 示例一后续：绘制残差图 figure; plot(x, residuals, 'o'); xline(0, 'k--'); xlabel('x'); ylabel('残差'); title('二次拟合残差图'); grid on;

判断标准很简单：残差点应该像一片散沙均匀分布在 y = 0 虚线上下，而不是排成一条弧线或波浪线。如果你在残差图里看到一个明显的弧线，说明数据里还有二次项特征没被提取干净；如果看到喇叭口形状（左侧紧、右侧松），说明数据存在异方差性，可能需要考虑加权拟合。残差分析是拟合验证里最容易被忽略、但信息量最大的诊断工具。

6.3 置信区间与预测带

拟合参数和预测值都应该给出不确定性估计。示例二里的 predint 返回的就是预测值的 95% 置信区间，它告诉你：如果重新做实验，在同样的 x 位置，95% 的概率下真实均值会落在这个区间内。预测带越窄，说明模型在该区域越可信；预测带在数据稀疏的地方会明显变宽，这是一条很有用的直觉信号。

当你写论文或报告时，只报一个拟合参数而不报置信区间，审稿人或工程评审通常会追问。合理的做法是给出参数估计值和区间范围，比如“Vmax = 4.83（95% 置信区间：4.61 ~ 5.05）”，这比单独一个点估计要有说服力得多。fit 对象在命令行直接 disp 时就会给出每个参数的置信区间，搭配上述代码使用非常方便。

7. 常见问题与排查思路

数据拟合的报错虽然多，但绝大多数都能归因到几个固定原因。下面这张表覆盖了初学者最常遇到的六类问题，建议直接收藏对照。

这里最值得展开的是过拟合问题。很多人把 R² 高当作模型好的唯一标准，这在数据拟合的语境下是很危险的。一个极端例子：用 9 次多项式拟合 10 个数据点，R² 接近 1，曲线也能漂亮地穿过每个点，但这条曲线在数据点之间的摆动幅度可能完全不符合物理规律，更不用说外推了。解决过拟合的标准做法是交叉验证：把数据分成训练集和测试集，用训练集拟合，看测试集的预测误差。如果训练集误差远小于测试集误差，基本可以判定过拟合。

另外一个容易被忽略的坑是数据没有排序。虽然多数拟合函数对 x 的顺序不敏感，但画图时未排序的 x 会导致连线乱跳，影响你对数据趋势的判断。建议在数据准备阶段增加 sort 排序，或者绘图时直接使用散点图。

8. 最佳实践与工程建议

数据拟合在真实项目里不是“调一次函数”就结束的，它是一套需要纪律性的工作流。这里给出几条我在实践中反复验证过的建议。

第一，先画图再拟合，画完图还要画残差图。这条规则最简单，也最有效。可视化不只是为了汇报，更是为了建模决策。散点图告诉你模型方向，残差图告诉你模型缺陷，两步加起来能覆盖 80% 的建模错误。

第二，数据清洗优先于模型调参。数据里有 NaN、Inf、离群点，再怎么调模型都是白费力气。建议在拟合前固定执行一次清洗流程：检查缺失值、剔除明显异常值、确认 x 与 y 的长度一致。把清洗逻辑写进脚本，不要每次都手动操作。

第三，模型复杂度要克制。奥卡姆剃刀原则在数据拟合里同样适用：两个模型效果接近时，选简单的。简单模型不仅更容易解释，对新数据的泛化能力通常也更强。多项式拟合的阶数从 1 开始逐次增加，每次增加都看 Adjusted R² 和残差图的变化，直到新增项不再带来明显改善就停下来。

第四，归一化处理高次拟合和高阶非线性模型。当 x 的取值范围很大，比如 1 到 10000，直接做多项式拟合可能导致数值不稳定，矩阵条件数巨大，拟合结果对数据微扰非常敏感。常见做法是先把 x 和 y 做均值方差归一化，拟合得到参数后再反归一化恢复成原始尺度。

第五，固定随机种子保证可复现。示例里的 rng(42) 或 rng(7) 不是随便写的。当你用仿真数据验证算法、对比模型、写教学示例时，固定随机种子意味着别人在另一台电脑上运行，能得到完全相同的噪声和结果。科研和工程报告里，可复现性是基本要求。

第六，记录完整的拟合上下文。保存的参数应该至少包含：模型表达式、参数值、参数置信区间、拟合优度指标、数据范围、工具箱版本和脚本文件。脱离上下文的参数没有任何意义，因为你不知道这个参数是在什么数据范围、什么模型约束下得到的。代码注释里把这些信息写清楚，能让三个月后的自己和将来的同事少走很多弯路。

第七，谨慎对待外推。拟合模型只在数据覆盖范围内有效，这个原则再怎么强调都不过分。一旦把模型用于数据范围之外，预测值的置信区间会迅速扩大，结果可能完全失真。如果业务上必须外推，一定要在报告中明确说明这是外推，并给出预测区间，而不是把点估计当结论。

第八，拟合结果要带上不确定性再汇报。这既是对工程决策负责，也是写论文的基本要求。参数用“估计值 ± 置信区间”表示，预测值用预测带表示，比单个数值可信得多。

9. 总结与后续学习方向

这篇文章从 MATLAB 数据拟合的实际痛点出发，梳理了从概念、环境、流程到代码和验证的完整链路。现在你应该能够回答这几个问题：插值和拟合的区别是什么、polyfit、fittype 和 lsqcurvefit 分别适合什么场景、R² 和 RMSE 怎么解读、残差图为什么是必看的诊断工具、以及如何避免用高次多项式制造出虚高的 R²。

建议的下一步实践路径是：先拿自己的实验数据跑一遍示例一的多项式拟合流程，把数据清洗、拟合、指标计算、残差图这几步完整走通；然后尝试用 cftool 交互式地试探几种不同模型，体会模型选择的直觉；最后针对自己领域里最关心的物理公式，用 fittype 或 lsqcurvefit 做一次自定义函数拟合，并输出带置信区间的参数报告。

在这个基础上，值得继续深入的方向还有很多：Curve Fitting Toolbox 官方文档中的样条拟合和光滑化方法、Statistics and Machine Learning Toolbox 里的 fitnlm 广义非线性回归、robustfit 鲁棒拟合在离群点场景下的应用、以及如何把拟合模型嵌入 Simulink 做系统仿真。数据拟合是一项靠反复练习才能内化的技能，代码语法只是表面，建模判断和验证习惯才是真正拉开差距的地方。建议把本文的示例脚本保存下来，每次遇到新的数据都按这个流程走一遍，慢慢你会形成自己的拟合方法论。