合身

适合曲线或表面

折叠所有页面

句法

fitobject = fit（x，y，fittype）

fitobject = fit（[x，y]，z，fittype）

fitobject =适合(x, y, fitType fitOptions)

fitobject =适合(x, y, fitType、名称、值)

[fitobject，gof] = fit（x，y，fittype）

[Fitobject，GOF，输出] = FIT（x，y，fittype）

描述

例子

fitobject.=健康(X那y那fitType）创建适合的数据X和y指定的模型fitType．

例子

fitobject.= fit（[X那y]，Z.那fitType）创建一个拟合向量中的数据的表面X那y，和Z.．

例子

fitobject.=健康(X那y那fitType那fitoptions.）使用由此指定的算法选项创建适合数据。fitoptions.对象。

例子

fitobject.=健康(X那y那fitType那名称，价值）使用库模型创建适合数据fitType具有一个或多个指定的其他选项名称，价值对参数。用fitoptions.为特定库模型显示可用的属性名称和默认值。

例子

[fitobject.那GOF.] =适合（X那y那fitType）返回结构中的拟合优度统计信息GOF.．

例子

[fitobject.那GOF.那输出] =适合（X那y那fitType）返回结构中的拟合算法信息输出．

例子

全部收缩

拟合二次曲线

打开直播脚本

加载一些数据，用二次曲线拟合变量Cdate.和流行，并绘制拟合和数据。

加载普查；f = fit（Cdate，Pop，'poly2'）

系数(有95%置信限):p1 = 0.006541 (0.006124, 0.006958) p2 = -23.51 (-25.09， -21.93) p3 = 2.113e+04 (1.964e+04, 2.262 2e+04)

情节(f cdate流行)

有关库模型名称的列表，请参阅fitType．

拟合多项式曲面

打开直播脚本

加载一些数据并适合2度的多项式表面X并获得学士学位y．绘制拟合和数据。

加载弗兰克科幻小说=适合(x, y, z,'poly23'）

线性模型Poly23：SF（x，y）= p00 + p10 * x + p01 * y + p20 * x ^ 2 + p11 * x * y + p02 * y ^ 2 + p21 * x ^ 2 * y + p12 * x* y ^ 2 + p03 * y ^ 3系数（具有95％的置信度）：P00 = 1.118（0.9149,1.321）P10 = -0.0002941（-0.000502,8.623E-05）P01 = 1.533（0.7032,2.364）P20= -1.966e-08（-7.084e-08,3.152E-08）P11 = 0.0003427（-0.0001009,0.0007863）P02 = -6.951（-8.421，-5.481）P21 = 9.563E-08（6.276E-09，1.85E-07）P12 = -0.0004401（-0.0007082，-0.0001721）P03 = 4.999（4.082,5.917）

绘图（SF，[x，y]，z）

使用Matlab表中的变量适合表面

打开直播脚本

加载弗兰克数据并将其转换为Matlab®表。

加载弗兰克t =表（x，y，z）;

的输入指定表中的变量合身功能，并绘制拟合。

f = fit（[t.x，t.y]，t.z，'linearinterp'）;情节(f, [T。X那T.y], T.z )

在试穿前创建适合选项和适合类型

打开直播脚本

控件加载并绘制数据，创建适合选项和适合类型fittype.和fitoptions.函数，然后创建和绘制拟合。

加载并绘制数据census.mat．

加载普查情节(cdate、流行,“o”）

为自定义非线性模型创建拟合选项对象和适合类型 $y = 一种（ X - B. ）^{N}$ ，在哪里一种和B.是系数和N是一个与问题相关的参数。

fo = fitoptions（“方法”那'非线性半角'那．..'降低'(0, 0),．..'上'，[inf，max（cdate）]，．..曾经繁荣的[1]);英国《金融时报》= fittype (“*(取向)^ n”那'问题'那“n”那“选项”，fo）;

使用拟合选项和值符合数据N= 2。

[曲线2，GOF2] =配合（Cdate，Pop，Ft，'问题'2）

系数(95%置信限):a = 0.006092 (0.005743, 0.006441) b = 1789(1784,1793)问题参数:n = 2

GOF2 =结构与字段：Sse: 246.1543 rsquare: 0.9980 dfe: 19 adjrsquare: 0.9979 rmse: 3.5994

使用拟合选项和值符合数据N= 3。

[曲线3，GOF3] =适合（Cdate，Pop，Ft，'问题'3)

curve3 = General model: curve3(x) = a*(x-b)^n Coefficients (with 95% confidence bounds): a = 1.359e-05 (1.245e-05, 1.474e-05) b = 1725 (1718, 1731) Problem parameters: n = 3

GOF3 =结构与字段：adrsquare: 0.9980 rmse: 3.4944

用数据绘制拟合结果。

抓住在绘图（曲线2，“米”）绘图（曲线3，“c”） 传奇（“数据”那'n = 2'那“n = 3”） 抓住离开

适合立方多项式指定标准化和强大的选项

打开直播脚本

装载一些数据并配合，并用中心和比例绘制立方多项式（正常化）和强大的拟合选择。

加载普查；f = fit（Cdate，Pop，“poly3”那'正常化'那'在'那“稳健”那'Bisquare'）

系数(95%置信限):p1 = -0.4619 (-1.895, 0.9707) p2 = 25.01 (23.79, 26.22) p3 = 77.03 (74.37, 79.7) p4 = 62.81 (61.26, 64.37)

情节(f cdate流行)

适合由文件定义的曲线

在文件中定义函数并使用它来创建适合类型并适合曲线。

在MATLAB中定义函数^®文件。

功能y = piecewiseLine (x, a, b, c, d, k)％分段电线由两件制成的线那不是连续的。y = 0(大小(x));％此示例包括for-loop和if语句％纯粹以例如目的。为了i = 1:长度(x)如果x（i）别的Y (i) = c + d. x(i);结尾结尾结尾

保存文件。

定义某些数据，创建指定函数的适合类型分离线，使用适合类型创建拟合FT.，并绘制结果。

X = [0.81; 0.91; 0.13; 0.91; 0.63; 0.098; 0.28; 0.55;．..0.96; 0.96; 0.16; 0.97; 0.96);y = [0.17; 0.12; 0.16; 0.0035; 0.37; 0.082; 0.34; 0.56;．..0.15; -0.046; 0.17; -0.091; -0.071);英国《金融时报》= fittype ('piecewiseLine(x, a, b, c, d, k)') f = fit(x, y, ft，)曾经繁荣的，[1,0,1,0,0.5]图（f，x，y）

从Fit中排除点

打开直播脚本

加载一些数据并符合自定义方程，指定要排除的点。绘制结果。

加载数据并定义自定义方程和一些起点。

[x, y] =钛;gaussEqn ='a * exp（ - （（x-b）/ c）^ 2）+ d'

Gausseqn ='a * exp（ - （（x-b）/ c）^ 2）+ d'

startpoints = [1.5 900 10 0.6]

startpoints =1×41.5000 900.0000 10.0000 0.6000

使用自定义方程和起始点创建两个配合，并使用索引向量和表达式定义两个不同的排除点集。用排除从拟合中删除异常值。

f1 =适合(x, y, gaussEqn,'开始'，startpoints，“排除”，[1 10 25]）

f1 = General model: f1(x) = a*exp(-((x-b)/c)^2)+d Coefficients (with 95% confidence bounds): a = 1.493 (1.432, 1.554) b = 897.4 (896.5, 898.3) c = 27.9 (26.55, 29.25) d = 0.6519 (0.6367, 0.6672)

f2 = fit（x'，y'，gausseqn，'开始'，startpoints，“排除”，x <800）

f2 = General model: f2(x) = a*exp(-((x-b)/c)^2)+d Coefficients (with 95% confidence bounds): a = 1.494 (1.41, 1.578) b = 897.4 (896.2, 898.7) c = 28.15 (26.22, 30.09) d = 0.6466 (0.6169, 0.6764)

绘制既适合。

绘制（F1，X，Y）标题（'适合数据点1,10和25排除'）

图绘图（f2，x，y）标题（'适合数据点，排除在此之后x <800'）

排除点和图拟合显示排除数据

打开直播脚本

您可以将排除的点定义为变量，然后将其作为输入到拟合功能。以下步骤重新创建前一个示例中的配合，并允许您绘制排除的点以及数据和拟合。

加载数据并定义自定义方程和一些起点。

[x, y] =钛;gaussEqn ='a * exp（ - （（x-b）/ c）^ 2）+ d'

Gausseqn ='a * exp（ - （（x-b）/ c）^ 2）+ d'

startpoints = [1.5 900 10 0.6]

startpoints =1×41.5000 900.0000 10.0000 0.6000

使用索引向量和表达式定义两组要排除的点。

outlude1 = [11 10 25];complude2 = x <800;

创建两个适合使用自定义方程，起点，和两个不同的排除点。

f1 =适合(x, y, gaussEqn,'开始'，startpoints，“排除”，排除1）;f2 = fit（x'，y'，gausseqn，'开始'，startpoints，“排除”, exclude2);

绘制符合和突出排除的数据。

情节(f1, x, y, exclude1)标题('适合数据点1,10和25排除'）

数字;绘图（F2，x，y，outrude2）标题（'适合数据点，排除在此之后x <800'）

对于具有排除点的表面配合示例，请加载某些表面数据并创建和绘图配合指定排除的数据。

加载弗兰克f1 = fit（[x y]，z，'poly23'那“排除”， [1 10 25]);f = [x y]，z，'poly23'那“排除”，z> 1）;图绘图（f1，[x y]，z，“排除”， [1 10 25]);标题('适合数据点1,10和25排除'）

图绘图（f2，[x y]，z，“排除”，z> 1）;标题('拟合排除的数据点z > 1'）

适合平滑的样条曲线并返回拟合良好信息

打开直播脚本

加载一些数据并通过变量拟合平滑样条曲线月和压力，并返回适合信息和输出结构的良好。绘制适合和残留物。

加载enso.；[曲线，良度，产量]=适合(月，压力，'平滑浮雕'）;绘图（曲线，月，压力）;Xlabel（'月'）;ylabel (“压力”）;

对X-DATA绘制残差（月）。

情节（曲线，月，压力，'残留')包含('月') ylabel ('残留'）

使用的数据输出绘制对Y-DATA的残差（压力）。

情节(压力、output.residuals、'。')包含(“压力”) ylabel ('残留'）

适合单一的指数

打开直播脚本

使用指数趋势生成数据，然后使用指数模型的曲线拟合库中的第一方程（单术语指数）拟合数据。绘制结果。

x =(0:0.2:5)”;Y = 2*exp(-0.2*x) + 0.5*randn(size(x))); / /f =适合(x, y,'exp1'）;绘图（F，X，Y）

使用匿名函数适应自定义模型

可以使用匿名函数来更容易地将其他数据传递到合身函数。

加载数据和设置Emax.来1在定义匿名功能之前：

data = importData（'opioidhypnoticsynergy.txt'）;异丙酚= data.data (: 1);Remifentanil = data.data (:, 2);痛觉计= data.data (: 3);Emax = 1;

将模型方程定义为匿名函数:

效果= @（IC50A，IC50B，Alpha，N，X，Y）．..Emax *（X / IC50A + Y / IC50B + Alpha *（X / IC50A）．..。*（y / ic50b））。^ n ./（（x / IC50a + y / ic 50b +．..Alpha *（X / IC50A）。*（Y / IC50B））。^ N + 1）;

使用匿名功能效果作为输入合身函数，并绘制结果:

algometryeffect = fit（ρ，varofol，remifentanil]，alborry，效果，．..曾经繁荣的， [2, 10, 1,0.8]，．..'降低'， [-Inf， -Inf， -Inf]，．..“稳健”那'lar'）绘图（algometryeffect，achofol，remifentanil]，alborry）

有关使用匿名功能和其他定制模型的更详细的拟合，请参阅fittype.函数。

找到系数顺序以设置起点和界限

打开直播脚本

对于属性上那较低的，和曾经繁荣，您需要查找系数条目的顺序。

创建适合类型。

英国《金融时报》= fittype (" b * x ^ 2 + c * x +一个“）;

获取系数名称并使用订单Coeffnames.函数。

Coeffnames（FT）

ans =.3x1细胞{'a'} {'b'} {'c'}

注意，这与用于创建的表达式中系数的顺序不同FT.和fittype.．

加载数据，创建适合并设置起始点。

加载enso.FIT（月，压力，FT，曾经繁荣的，[1,3,5]）

ANS =一般模型：ANS（x）= b * x ^ 2 + c * x +系数（具有95％的置信度）：a = 10.94（9.362,12.52）b = 0.0001677（-7.985e-05,0.0004153）C = -0.0224（-0.06559,0.02079）

这给系数赋了如下的初值:a = 1那B = 3.那c = 5．

或者，您可以获得适合选项并设置起点和下界，然后使用新选项重新设置。

选择= fitoptions(英尺)

选项=正常化：'关闭'排除：[]权重：[]方法：'非线性半角'鲁棒：'关闭'开始点：[1x0 double]较低：[1x0 double] upper：[1x0 double]算法：'信任区域'Diffminchange：1.0000E-08 DiffMaxChange：0.1000显示：“通知”MaxFunevals：600 MAXITER：400 TOLFUN：1.0000E-06 TOLX：1.0000E-06

选项。StartPoint = [10 1 3];选项。较低的=[0 -Inf 0]; fit(month,pressure,ft,options)

a = 10.23 (9.448, 11.01) b = 4.335e-05 (-1.82e-05, 0.0001049) c = 5.523e-12(固定在边界)

输入参数

全部收缩

`X`-适合数据
矩阵

要适合的数据，指定为具有一个（曲线配件）或两个（表面拟合）列的矩阵。您可以使用Matlab表中的变量指定使用tableName.varname.varname.．不能包含正或南．只有复杂数据的实际部分用于配合。

例子：X

例子：[x，y]

数据类型：双倍的

`y`-适合数据
向量

要匹配的数据，指定为行数相同的列向量X．您可以使用MATLAB表中指定一个变量tableName.varname.varname.．不能包含正或南．只有复杂数据的实际部分用于配合。

用加工urvedata.或准备索赔如果您的数据不是列向量表单。

数据类型：双倍的

`Z.`-适合数据
向量

用准备索赔如果您的数据不是列向量表单。例如，如果您有3个矩阵，或者您的数据是网格矢量表单，在哪里长度（x）= n，长度（y）= m和大小(Z) = (m, n)．

数据类型：双倍的

`fitType`-拟合模型类型
字符向量|字符向量的单元格阵列|匿名功能|`fittype.`

模型类型适合，指定为库模型名称字符向量，MATLAB表达式，线性模型的单元阵列，匿名功能或afittype.建于fittype.函数。您可以使用任何有效的第一个输入fittype.作为一个输入合身．

有关库模型名称的列表，请参阅模型名称和方程．该表显示了一些常见的例子。

图书馆模型名称	描述
`'poly1'`	线性多项式曲线
`'poly11'`	线性多项式表面
`'poly2'`	二次多项式曲线
`'linearinterp'`	分段线性插值
`“cubicinterp”`	分段立方插值
`'平滑浮雕'`	平滑花键（曲线）
`“洛斯”`	局部线性回归(面)

要适合自定义模型，请使用matlab表达式，线性模型术语的单元格数组，匿名功能，或创建一个fittype.与之fittype.函数并使用它作为fitType争论。例如，看到使用匿名函数适应自定义模型．有关线性模型术语的示例，请参阅fitType函数。

例子：'poly2'

`fitoptions.`-算法的选择
`fitoptions.`

使用算法选项fitoptions.函数。这是fit选项指定名称-值对参数的一种替代方法。

名称值对参数

指定可选的逗号分离对名称，价值论点。的名字是参数名称和价值为对应值。的名字必须出现在引号内。您可以以任何顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子：“低”,(0,0),“上层”,正无穷,max (x),“曾经繁荣”,[1]指定拟合方法、边界和起始点。

所有拟合方法的选项

全部收缩

`'正常化'`-选择中心和规模的数据
`'离开'`(默认)|`'在'`

中心的选项和缩放数据，指定为逗号分隔的对'正常化'和'在'或'离开'．

数据类型：char

`“排除”`-要点从契合排除
表达式|索引矢量|逻辑矢量|空的

要从契合中排除，指定为逗号分隔的配对“排除”之一：

描述逻辑向量的表达式，例如:x> 10．
索引要排除的点的整数矢量，例如，[1 10 25]．
所有数据点的逻辑向量真的表示一个异常值，由不包括．

例如，看到从Fit中排除点．

数据类型：逻辑|双倍的

`'重量'`-适合的重量
[](默认)|向量

适合的权值，指定为逗号分隔的对，由'重量'和响应数据大小相同的向量y（曲线）或Z.(表面)。

数据类型：双倍的

`'问题'`-分配给问题依赖项的值
细胞阵列|双倍的

分配给依赖于问题的常量的值，指定为包含的逗号分隔对'问题'和一个单元阵列，每个问题有一个元素依赖性恒定。有关详细信息，请参阅fittype.．

数据类型：细胞|双倍的

平滑选项

全部收缩

`'smoothingparam'`-平滑参数
标量值范围（0,1）

平滑参数，指定为逗号分隔对组成'smoothingparam'和0到1之间的标量值。默认值取决于数据集。仅适合类型为柔滑浮雕．

数据类型：双倍的

`'跨度'`-用于局部回归的数据点的比例
0.25(默认)|标量值范围（0,1）

在本地回归中使用的数据点比例指定为逗号分隔对组成'跨度'和0到1之间的标量值。仅适合类型为洛杉矶或黄土．

数据类型：双倍的

线性和非线性最小二乘选项

全部收缩

`“稳健”`-鲁棒线性最小二乘拟合方法
`'离开'`(默认)|`拉`|`Bisquare.`

鲁棒线性最小二乘拟合方法，指定为逗号分隔对组成“稳健”和其中一个值：

'lar'指定最小绝对残差法。
'Bisquare'指定平方权值方法。

适合类型时可用方法是LinearLeastSquares或非线性半角．

数据类型：char

`'降低'`-拟合系数的下界
[](默认)|向量

待安装系数的下限，指定为逗号分隔的配对'降低'和一个向量。默认值为一个空向量，表示拟合是由下限无关的。如果指定了边界，则向量长度必须等于系数的数目。的方法求向量值中系数项的顺序Coeffnames.函数。例如，看到找到系数顺序以设置起点和界限．可以指定个人无约束的下限-inf.．

当可用方法是LinearLeastSquares或非线性半角．

数据类型：双倍的

`'上'`-装配系数上的上限
[](默认)|向量

拟合系数的上界，指定为逗号分隔对，由'上'和一个向量。默认值是一个空向量，表示适合不受上界的约束。如果指定了边界，则向量长度必须等于系数的数目。的方法求向量值中系数项的顺序Coeffnames.函数。例如，看到找到系数顺序以设置起点和界限．个人无约束的上限可以指定+正．

当可用方法是LinearLeastSquares或非线性半角．

数据类型：逻辑

非线性最小二乘选项

全部收缩

`曾经繁荣的`-系数的初始值
[](默认)|向量

系数的初始值，指定为逗号分隔的对组成曾经繁荣的和一个向量。的方法求向量值中系数项的顺序Coeffnames.函数。例如，看到找到系数顺序以设置起点和界限．

如果没有开始点（空向量的默认值）传递给合身功能，一些图书馆模型的起点是立即确定的。对于Rational和Weibull模型以及所有自定义非线性模型，工具箱从间隔（0,1）随机地选择均匀的系数的默认初始值。结果，使用相同数据和模型的多个配合可能导致不同的拟合系数。要避免此方法，请指定带有系数的初始值fitoptions.对象或矢量值曾经繁荣价值。

当可用方法是非线性半角．

数据类型：双倍的

`'算法'`-用于拟合程序的算法
“信赖域”(默认)|“Levenberg-Marquardt”

算法用于拟合的过程，指定为逗号分隔对组成'算法'和任何一种“Levenberg-Marquardt”或“信赖域”．

当可用方法是非线性半角．

数据类型：char

`'diffmaxchange'`-有限差分梯度系数的最大变化
0．1（默认）

有限差分梯度系数的最大变化，指定为逗号分隔的对'diffmaxchange'和一个标量。

当可用方法是非线性半角．

数据类型：双倍的

`“DiffMinChange”`-有限差分梯度系数的最小变化
10⁸（默认）

有限差分梯度系数变化的最小值，指定为逗号分隔对，由“DiffMinChange”和一个标量。

当可用方法是非线性半角．

数据类型：双倍的

`“显示”`-命令窗口中的显示选项
`“通知”`(默认)|`'最终的'`|`'iter'`|`'离开'`

在命令窗口中显示选项，指定为包含的逗号分隔对“显示”和其中一个选择：

“通知”仅当拟合不收敛时显示输出。
'最终的'仅显示最终输出。
'iter'显示每次迭代的输出。
'离开'显示没有输出。

当可用方法是非线性半角．

数据类型：char

`'maxfunevals'`-允许的模型的最大评估数
`600`（默认）

模型允许的最大计算次数，指定为由逗号分隔的对组成'maxfunevals'和一个标量。

当可用方法是非线性半角．

数据类型：双倍的

`'maxiter'`-允许的最大迭代数
`400.`（默认）

拟合允许的最大迭代次数，指定为逗号分隔对组成'maxiter'和一个标量。

当可用方法是非线性半角．

数据类型：双倍的

`'tolfun'`-模型值的终止公差
10⁶（默认）

在模型值上终止公差，指定为逗号分隔对组成'tolfun'和一个标量。

当可用方法是非线性半角．

数据类型：双倍的

`'tolx'`-系数值的终止公差
10⁶（默认）

终止耐受系数值，指定为逗号分隔对组成的'tolx'和一个标量。

当可用方法是非线性半角．

数据类型：双倍的

输出参数

全部收缩

`fitobject.`- 适合效果
`CFIT.`|`sfit`

适合结果，作为一个返回CFIT.（对于曲线）或sfit(表面)对象。看到适合后处理对于绘制，评估，计算置信区间，集成，区分或修改适合对象的功能。

`GOF.`- 善良的统计数据
`GOF.`结构

健康的统计数据，作为GOF.结构包括该表中的字段。

场地	价值
`上交所`	由于错误导致的平方和
`rsquare.`	R线（测定系数）
`DFE.`	误差中的自由度
`adjrsquare.`	自由度调整系数的确定
`rmse`	根均方误差（标准错误）

`输出`-拟合算法信息
`输出`结构

拟合算法信息，返回输出包含与拟合算法相关的信息的结构。

字段取决于算法。例如，输出非线性最小二乘算法的结构包括该表中所示的字段。

场地	价值
`numobs`	观察次数(响应值)
`numparam.`	适合的未知参数（系数）的数量
`残差`	残差矢量
`雅各比亚`	雅各比亚矩阵
`ExitFlag.`	描述算法的退出条件。正旗表示收敛，在公差范围内。0标志表示超过了函数求值或迭代的最大次数。负标志表明算法没有收敛到一个解。
`迭代`	迭代次数
`Funccount.`	功能评估数量
`firstordopt.`	一阶最优性度量(梯度分量的绝对最大值)
`算法`	拟合算法采用

也可以看看

应用程序

曲线拟合

职能

conf|函数宏指令|fitoptions.|fittype.|阴谋|加工urvedata.|准备索赔

话题

在R2006A之前介绍

合身

句法

描述

例子

拟合二次曲线

拟合多项式曲面

使用Matlab表中的变量适合表面

在试穿前创建适合选项和适合类型

适合立方多项式指定标准化和强大的选项

适合由文件定义的曲线

从Fit中排除点

排除点和图拟合显示排除数据

适合平滑的样条曲线并返回拟合良好信息

适合单一的指数

使用匿名函数适应自定义模型

找到系数顺序以设置起点和界限

输入参数

X-适合数据矩阵

y-适合数据向量

Z.-适合数据向量

fitType-拟合模型类型字符向量|字符向量的单元格阵列|匿名功能|fittype.

fitoptions.-算法的选择fitoptions.

名称值对参数

'正常化'-选择中心和规模的数据'离开'(默认)|'在'

“排除”-要点从契合排除表达式|索引矢量|逻辑矢量|空的

'重量'-适合的重量[](默认)|向量

'问题'-分配给问题依赖项的值细胞阵列|双倍的

'smoothingparam'-平滑参数标量值范围（0,1）

'跨度'-用于局部回归的数据点的比例0.25(默认)|标量值范围（0,1）

“稳健”-鲁棒线性最小二乘拟合方法'离开'(默认)|拉|Bisquare.

'降低'-拟合系数的下界[](默认)|向量

'上'-装配系数上的上限[](默认)|向量

曾经繁荣的-系数的初始值[](默认)|向量

'算法'-用于拟合程序的算法“信赖域”(默认)|“Levenberg-Marquardt”

'diffmaxchange'-有限差分梯度系数的最大变化0．1（默认）

“DiffMinChange”-有限差分梯度系数的最小变化108（默认）

“显示”-命令窗口中的显示选项“通知”(默认)|'最终的'|'iter'|'离开'

'maxfunevals'-允许的模型的最大评估数600（默认）

'maxiter'-允许的最大迭代数400.（默认）

'tolfun'-模型值的终止公差106（默认）

'tolx'-系数值的终止公差106（默认）

输出参数

fitobject.- 适合效果CFIT.|sfit

GOF.- 善良的统计数据GOF.结构

输出-拟合算法信息输出结构

也可以看看

应用程序

职能

话题

曲线拟合工具箱文档

金宝app

机器学习挑战：选择最佳分类模型，避免过度装备

`X`-适合数据
矩阵

`y`-适合数据
向量

`Z.`-适合数据
向量

`fitType`-拟合模型类型
字符向量|字符向量的单元格阵列|匿名功能|`fittype.`

`fitoptions.`-算法的选择
`fitoptions.`

`'正常化'`-选择中心和规模的数据
`'离开'`(默认)|`'在'`

`“排除”`-要点从契合排除
表达式|索引矢量|逻辑矢量|空的

`'重量'`-适合的重量
[](默认)|向量

`'问题'`-分配给问题依赖项的值
细胞阵列|双倍的

`'smoothingparam'`-平滑参数
标量值范围（0,1）

`'跨度'`-用于局部回归的数据点的比例
0.25(默认)|标量值范围（0,1）

`“稳健”`-鲁棒线性最小二乘拟合方法
`'离开'`(默认)|`拉`|`Bisquare.`

`'降低'`-拟合系数的下界
[](默认)|向量

`'上'`-装配系数上的上限
[](默认)|向量

`曾经繁荣的`-系数的初始值
[](默认)|向量

`'算法'`-用于拟合程序的算法
“信赖域”(默认)|“Levenberg-Marquardt”

`'diffmaxchange'`-有限差分梯度系数的最大变化
0．1（默认）

`“DiffMinChange”`-有限差分梯度系数的最小变化
10⁸（默认）

`“显示”`-命令窗口中的显示选项
`“通知”`(默认)|`'最终的'`|`'iter'`|`'离开'`

`'maxfunevals'`-允许的模型的最大评估数
`600`（默认）

`'maxiter'`-允许的最大迭代数
`400.`（默认）

`'tolfun'`-模型值的终止公差
10⁶（默认）

`'tolx'`-系数值的终止公差
10⁶（默认）

`fitobject.`- 适合效果
`CFIT.`|`sfit`

`GOF.`- 善良的统计数据
`GOF.`结构

`输出`-拟合算法信息
`输出`结构