matlab应用——求极限，求导，求积分，解方程，函数绘图，三维图像，拟合函数....更多内容尽在个人专栏：
matlab学习才发现这个数据插值的返回值不是个函数表达式，是一系列点集，不能使用polyval函数预测值。
上一节我们说了数据插值，这一节我们再说一个差不多的东西，叫曲线拟合
曲线拟合：
先看一下百度百科的定义：
曲线拟合（curve fitting）是指选择适当的曲线类型来拟合观测数据，并用拟合的曲线方程分析两变量间的关系。
主要方法就是我们高中学过的
最小二乘法。
我们先生成一系列离散数据点：
x=1790:10:2010
y=[3 5 7 9 12 13 15 16 18 21 23 37 24 29 30 28 33 34 36 38 39 44 42]
plot(x,y,'r.')
polyfit函数：
polyfit函数用于进行曲线拟合，调用格式和插值函数interp1相似
polyfit(x,y,n),
x,y构成离散数据点（x,y），n则是设定用n次多项式进行拟合，比如n=3就是用最高三次多项式进行拟合。
现在对上面的离散数据点进行拟合：
x=1790:10:2010
y=[3 5 7 9 12 13 15 16 18 21 23 37 24 29 30 28 33 34 36 38 39 44 42]
f=polyfit(x,y,3) %用f记录拟合后的函数
x1=1790:0.2:2010 %重新定义自变量x1
y1=polyval(f,x1) %重新定义因变量y1
plot(x,y,'r*',x1,y1,'b')
为了区分，这里plot函数把原来的数据点也画进去：
这里我们还可以预测后面的数据
比如要求2020年的数据：
ans=polyval(f,2020)
结果就是：
这里简单说一说数据插值和曲线拟合的
异同：
同：两者都是
函数逼近的方法，都可以对未知数据点进行
合理的预测，但都会有
一定的误差。
异：插值需要的数据点相比曲线拟合
较少插值要求函数
必须经过所有已知数据点，拟合不需要
最后再补充一点，可能会有知友发现插值和拟合的多项式函数都采用
三次多项式。首先，次数低于3，多项式拟合程度较差，不容易进行准确的拟合和插值
其次，多项式函数并非越高越好，这里有个
Runge现象，即多项式函数次数越高，越容易产生振荡而偏离原函数，使得误差增大
到这里我们简单梳理了插值和拟合两种函数处理方式，下一节的内容暂定，我们可能要再回到符号计算。
欢迎喜欢的朋友
点赞关注收藏啊：）