最小二乘法与曲线拟合

基于最小二乘法的曲线拟合研究
基于最小二乘法的曲线拟合是用于拟合给定数据的一种常用方法。

该方法首先建立一个拟合模型，然后根据给定的数据点，通过求解模型中参数的最优解，来达到拟合数据的效果。

这种方法有着广泛的应用，可以准确地拟合数据，从而更好地推断出收集到的数据可能代表的趋势，从而更好地分析数据。

最小二乘法拟合曲线是一个最优化问题，可以使用梯度下降法求解参数的最优解，从而达到拟合曲线的效果。

Excel是一款功能强大的电子表格软件，广泛应用于数据处理与分析领域。

其中最小二乘法是一种常见的曲线拟合方法，在Excel中通过使用函数进行实现。

本文将介绍如何利用Excel进行最小二乘法拟合曲线的操作步骤及相关注意事项。

希望通过本文的介绍，读者能够掌握利用Excel进行曲线拟合的方法，从而在实际工作中能够更加高效地处理数据和分析结果。

一、最小二乘法简介最小二乘法是一种数学上常用的曲线拟合方法，其本质是通过调整曲线参数使得实际观测值与拟合值之间的差异最小化。

在实际应用中，最小二乘法常用于拟合直线、曲线以及多项式等形式的函数模型，用于描述变量之间的关系。

二、Excel中最小二乘法拟合曲线的操作步骤1. 准备数据首先需要在Excel中准备好需要拟合的数据，通常是包含自变量和因变量的数据列。

假设我们有一组数据，自变量为x，因变量为y，我们希望通过最小二乘法找到一条曲线来描述它们之间的关系。

2. 插入散点图在准备好数据之后，需要在Excel中插入散点图来直观地观察数据点的分布情况。

选择数据区域后，点击插入菜单中的散点图，选择合适的图表类型进行插入。

通过散点图可以直观地观察到数据点的分布情况，从而初步判断需要拟合的曲线形式。

3. 计算拟合曲线参数利用Excel中的函数可以很方便地进行最小二乘法拟合曲线的计算。

在Excel中，可以使用“线性拟合”函数进行直线拟合，使用“多项式拟合”函数进行多项式曲线拟合。

通过输入相关参数和数据范围，即可得到拟合曲线的参数值，并在图表中显示拟合曲线。

4. 绘制拟合曲线根据计算得到的拟合曲线参数值，可以利用Excel中的图表工具绘制出拟合曲线。

在散点图的基础上，添加拟合曲线，并进行必要的格式设置，可以清晰地展示出拟合曲线与原始数据之间的关系。

5. 拟合曲线的评估拟合曲线的好坏可以通过一些评价指标来进行评估，例如拟合优度R方值、残差分布等。

通过观察这些评价指标，可以对拟合曲线的质量进行初步判断，从而确定是否需要调整模型或者采取其他措施。

曲线拟合（curve-fitting ）：工程实践中，用测量到的一些离散的数据},...2,1,0),,{(m i y x i i =求一个近似的函数)(x ϕ来拟合这组数据，要求所得的拟合曲线能最好的反映数据的基本趋势（即使)(x ϕ最好地逼近()x f ，而不必满足插值原则。

因此没必要取)(i x ϕ=i y ，只要使i i i y x -=)(ϕδ尽可能地小）。

原理：给定数据点},...2,1,0),,{(m i y x i i =。

求近似曲线)(x ϕ。

并且使得近似曲线与()x f 的偏差最小。

近似曲线在该点处的偏差i i i y x -=)(ϕδ，i=1,2,...,m 。

常见的曲线拟合方法:1.使偏差绝对值之和最小2.使偏差绝对值最大的最小3.使偏差平方和最小最小二乘法：按偏差平方和最小的原则选取拟合曲线，并且采取二项式方程为拟合曲线的方法,称为最小二乘法。

推导过程：1. 设拟合多项式为：2. 各点到这条曲线的距离之和，即偏差平方和如下：3. 问题转化为求待定系数0a ...k a 对等式右边求i a 偏导数，因而我们得到了： .......4、 把这些等式化简并表示成矩阵的形式，就可以得到下面的矩阵：5. 将这个范德蒙得矩阵化简后可得到:6. 也就是说X*A=Y ，那么A = (X'*X)-1*X'*Y ，便得到了系数矩阵A ，同时，我们也就得到了拟合曲线。

MATLAB 实现：MATLAB 提供了polyfit （）函数命令进行最小二乘曲线拟合。

调用格式：p=polyfit(x,y,n)[p,s]= polyfit(x,y,n)[p,s,mu]=polyfit(x,y,n)x,y 为数据点，n 为多项式阶数，返回p 为幂次从高到低的多项式系数向量p 。

x 必须是单调的。

矩阵s 包括R （对x 进行QR 分解的三角元素）、df(自由度）、normr(残差）用于生成预测值的误差估计。

曲线拟合（curve-fitting ）：工程实践中，用测量到的一些离散的数据},...2,1,0),,{(m i y x i i =求一个近似的函数)(x ϕ来拟合这组数据，要求所得的拟合曲线能最好的反映数据的基本趋势（即使)(x ϕ最好地逼近()x f ，而不必满足插值原则。

因此没必要取)(i x ϕ=i y ，只要使i i i y x -=)(ϕδ尽可能地小）。

原理：给定数据点},...2,1,0),,{(m i y x i i =。

求近似曲线)(x ϕ。

并且使得近似曲线与()x f 的偏差最小。

近似曲线在该点处的偏差i i i y x -=)(ϕδ，i=1,2,...,m 。

常见的曲线拟合方法:1.使偏差绝对值之和最小2.使偏差绝对值最大的最小3.使偏差平方和最小最小二乘法：按偏差平方和最小的原则选取拟合曲线，并且采取二项式方程为拟合曲线的方法,称为最小二乘法。

推导过程：1. 设拟合多项式为：kk x a x a a x +++=...)(10ϕ2. 各点到这条曲线的距离之和，即偏差平方和如下：3. 问题转化为求待定系数0a ...k a 对等式右边求i a 偏导数，因而我们得到了：.......4、 把这些等式化简并表示成矩阵的形式，就可以得到下面的矩阵：5. 将这个范德蒙得矩阵化简后可得到:6. 也就是说X*A=Y ，那么A = (X'*X)-1*X'*Y ，便得到了系数矩阵A ，同时，我们也就得到了拟合曲线。

MATLAB实现：MATLAB提供了polyfit（）函数命令进行最小二乘曲线拟合。

调用格式：p=polyfit(x,y,n)[p,s]= polyfit(x,y,n)[p,s,mu]=polyfit(x,y,n)x,y为数据点，n为多项式阶数，返回p为幂次从高到低的多项式系数向量p。

x 必须是单调的。

矩阵s包括R（对x进行QR分解的三角元素）、df(自由度）、normr(残差）用于生成预测值的误差估计。

数值分析中的最小二乘法与曲线拟合数值分析是现代理论与实践密切结合的一门交叉学科，其中最小二乘法和曲线拟合是其中两个非常重要的概念。

最小二乘法是一种数学运算方法，用于求解一组方程组的未知参数，使得每个方程的误差平方和最小。

在实际应用中，最小二乘法广泛应用于数据拟合、信号处理、回归分析等领域。

在数据拟合中，最小二乘法是一种常见的方法，它可以用于拟合曲线和函数。

它通过延伸曲线以获得局部数据之间的交点，并通过在它们上进行平均化的方法来尝试匹配数据。

最小二乘法的概念为我们提供了一个理论基础，以便在一定程度上预测新的数据中对象的行为或趋势。

但是，即使在相对简单的问题中，最小二乘法可能并不是最佳选择。

曲线拟合是对一系列数据进行插值的过程，以便获得与原始数据点更准确相匹配的曲线或函数。

曲线拟合可以通过在相邻数据点之间进行插值来完成。

在曲线拟合中，只有在数据有很好的统计关系或在相邻数据点
有很好的相关性时，才会产生准确的结果。

否则，结果可能并不
准确，因为这些结果取决于数据点的数量和分布。

需要注意的是，曲线拟合和最小二乘法并不是一个可以代替另
一个的工具。

它们的适用范围不同。

曲线拟合适用于对离散数据
点进行联合分析，而最小二乘法适用于求解连续数据的线性模型。

总之，数值分析中的最小二乘法和曲线拟合是非常实用的概念，可以应用于各种领域。

它们作为现代数据分析的主要工具之一，
不断吸引着越来越多的学者和工程师投入到其中，将继续发挥重
要作用。

excel最小二乘法曲线拟合
最小二乘法曲线拟合是一种常用的数据拟合方法，它可以通过计算数据点到拟合曲线的距离平方和的最小值来确定最优解。

在 Excel 中，可以通过以下步骤进行最小二乘法曲线拟合：
1. 首先，将需要拟合的数据点以 x 和 y 的形式输入到 Excel 表格中。

2. 在 Excel 中选择“插入”菜单，并在“图表”中选择“散点图”。

3. 在图表中右键单击数据系列，并选择“添加趋势线”。

4. 在趋势线选项卡中选择“多项式”类型，并输入所需的拟合阶数。

5. 选择“显示方程式”和“显示 R2 值”，并点击“确定”按钮进行拟合。

6. Excel 将自动计算出拟合曲线方程式和 R2 值，并在图表上显示。

需要注意的是，在使用最小二乘法进行曲线拟合时，需要选择适当的拟合阶数来确保拟合曲线与实际数据的匹配程度。

同时，还需要通过检验 R2 值来评估拟合曲线的拟合程度。

最小二乘法拟合二次曲线公式
最小二乘法是一种常用的统计分析和拟合算法的计算方法，用于最小化拟合曲
线与原始数据之间的差异。

它是指在一定的统计数据上，通过实验取得一组期望结果，对付詹迭乘法拟合二次曲线，能够更加准确地预测结果，从而达到更好的精度。

应用最小二乘法拟合二次曲线，只需进行简单的处理就可以计算出符合要求的
拟合曲线，且能够更加精准地拟合出原始数据，取得更加精确的预测结果。

最小二乘法拟合二次曲线的流程可大体分为以下几步：
（1）将给定的原始数据搭建成（x、y）形式，进行表格统计；
（2）由表格得出，进行拟合曲线系数计算，利用最小二乘法拟合出线性回归
方程；
（3）根据拟合曲线回归方程，计算出y值；
（4）将原始数据和y值画出拟合曲线，完成拟合结果。

最小二乘法通过不断迭代，找到最佳的线性拟合方程，从而取得更加精确的预
测结果。

因此，不管是应用到科学技术、经济管理和社会发展等各个领域，最小二乘法拟合二次曲线都具备极强的实用性和准确性。

matlab 最小二乘法拟合曲线最小二乘法（Least Squares Method）是一种常用的数据拟合技术，在数学建模、统计学以及工程领域中被广泛应用。

该方法通过最小化实际观测值与拟合模型之间的平方误差和，从而找到一个最佳的拟合曲线。

首先，我们来了解一下最小二乘法的基本原理。

假设我们有一组n组数据点{(x1, y1), (x2, y2), ..., (xn, yn)}，我们希望找到一个函数f(x)来拟合这些数据。

为了简便计，我们假设函数f(x)是一个线性函数，即f(x) = ax + b。

要使用最小二乘法来进行拟合，我们需要构造一个目标函数，该函数是残差平方和（Sum of Squared Residuals，SSR）。

残差表示实际数据点与拟合曲线之间的差异，而残差平方和则是将所有残差平方相加得到的一个值。

目标函数可以表示为：SSR = Σ(yi - f(xi))^2最小二乘法的核心思想就是通过调整拟合函数中的参数a和b，使得目标函数SSR达到最小值。

为了实现这一目标，我们需要对目标函数求导，并令导数为0。

这样做可以得到一组线性方程组，可以使用线性代数中的方法求解这个方程组，从而得到a和b的值。

推导过程略去不表，最终我们可以得到最佳的拟合曲线方程：f(x) = (Σxiyi - n * x_mean * y_mean) / (Σxi^2 - n *x_mean^2) * x + (y_mean - (Σxiyi - n * x_mean * y_mean) / (Σxi^2 - n * x_mean^2) * x_mean)其中，x_mean和y_mean分别表示x和y的平均值，n表示数据点的数量。

通过以上公式，我们可以得到一个最佳的线性拟合曲线，该曲线可以最小化数据点与拟合曲线之间的距离。

当然，在实际应用中，我们会遇到更复杂的拟合函数，而不仅仅是线性函数。

但不论函数形式如何，最小二乘法的思想都是相同的——将观测值与模型之间的误差最小化。

origin最小二乘法曲线拟合最小二乘法曲线拟合是数学中的一种重要的拟合技术，它的主要作用是用最小二乘法曲线拟合数据，用于预测数据、分析数据变化趋势等。

1. 什么是最小二乘法曲线拟合？最小二乘法曲线拟合是一种数学方法，它假设数据点可以使用某个函数来拟合，以最小二乘法方法最小化由该函数参数估计值的“残差平方和”的值的过程。

所拟合的函数称为最小二乘法曲线或拟合曲线，其参数估计值称为参数估计值（又称拟合系数或参数估计）。

2. 最小二乘法曲线拟合的应用：（1）预测数据：通过分析拟合出来的曲线，可以预测未来的数据走势；（2）分析数据变化趋势：通过拟合出来的曲线可以看出过去数据的变化趋势；（3）估算参数值：可以用此方法对数据中某个参数值进行准确估算；（4）确定有关性系数：最小二乘法曲线拟合可以确定两个变量之间的相关性系数。

3. 最小二乘法曲线拟合的步骤：（1）首先记录被测量的原始数据，找出变量的坐标原点；（2）用最小二乘法曲线拟合，求出拟合函数的参数估计值；（3）求出拟合出的曲线，并用该曲线代入原始函数，观察拟合效果；（4）采用常用的统计评价指标（比如均方根误差、决定系数等）来进行拟合程度的评价；（5）如果拟合值不理想，可以考虑更改拟合曲线的变量个数或估计参数值，重新求解，重复以上步骤，直至拟合效果较好，完成拟合过程。

4. 最小二乘法曲线拟合的改进：（1）可以采用多元线性回归来完善最小二乘法曲线拟合，以更加精确的拟合数据；（2）此外，通过对数据进行重复性拟合，加大拟合幂数等，也可以更加准确地拟合数据；（3）另外，可以采用正则化方法结合最小二乘法来拟合非线性数据，提高准确性。

5.最小二乘法曲线拟合的优点：（1）算法简单，计算速度快，效率高；（2）不需要精确的初始估计值；（3）可以拟合各种类型的函数形式；（4）泛化性良好，结果精度较高；（5）对某些变量的影响程度可以根据变量的权重来解释。

Excel拟合曲线用的最小二乘法1. 介绍Excel作为一款常用的办公软件，被广泛应用于数据分析和处理，而拟合曲线是数据分析中常用的方法之一。

拟合曲线用的最小二乘法是一种常见的拟合方法，通过最小化数据点与拟合曲线之间的距离来找到最佳拟合曲线，从而对数据进行预测和分析。

在本文中，我将从深度和广度的角度来探讨Excel拟合曲线用的最小二乘法，带你深入探索这一主题。

2. 最小二乘法的原理在Excel中进行曲线拟合时，最小二乘法是一种常用的拟合方法。

其原理是通过最小化残差平方和来找到最佳拟合曲线。

残差是指每个数据点到拟合曲线的垂直距离，最小二乘法通过调整拟合曲线的参数，使得残差平方和最小化，从而得到最佳拟合曲线。

在Excel中，可以利用内置函数或插件来实现最小二乘法的曲线拟合，对于不同类型的曲线拟合，可以选择不同的拟合函数进行拟合。

3. Excel中的拟合曲线在Excel中进行拟合曲线时，首先需要将数据导入Excel，然后利用内置的数据分析工具或者插件来进行曲线拟合。

通过选择拟合函数、调整参数等操作，可以得到拟合曲线的相关信息，如拟合优度、参数估计值等。

可以根据拟合曲线的结果来对数据进行预测和分析，从而得到对应的结论和见解。

4. 个人观点与理解对于Excel拟合曲线用的最小二乘法，我认为这是一种简单而有效的数据分析方法。

它能够快速对数据进行拟合，并得到拟合曲线的相关信息，对于数据的预测和分析具有一定的帮助。

然而，也需要注意到拟合曲线并不一定能够准确描述数据的真实情况，需要结合实际背景和专业知识进行分析和判断。

在使用最小二乘法进行曲线拟合时，需要注意数据的可靠性和拟合结果的可信度，以避免出现不准确的结论和偏差的情况。

5. 总结通过本文的探讨，我们对Excel拟合曲线用的最小二乘法有了更深入的了解。

最小二乘法的原理、Excel中的实际操作以及个人观点与理解都得到了充分的展示和探讨。

在实际应用中，需要结合具体情况和专业知识来灵活运用最小二乘法进行曲线拟合，从而得到准确的分析和预测结果。

普通最小二乘法的拟合曲线准则1. 什么是普通最小二乘法？普通最小二乘法（Ordinary Least Squares, OLS）是一种经典的统计学和数学工具，用于拟合数据点与数学模型的关系。

通过最小化观测数据点与拟合曲线之间的残差平方和来确定最佳拟合曲线，从而推断出数据点之间的潜在关系。

2. 拟合曲线的准则在进行数据拟合时，选择合适的拟合曲线准则对最终结果具有至关重要的影响。

常见的拟合曲线准则包括最小化残差平方和、最小化残差绝对值和最小化残差的百分比等。

其中，最小二乘法的核心就是最小化残差平方和，使得拟合曲线与观测数据点之间的误差达到最小。

3. 评估拟合曲线的深度和广度为了全面评估拟合曲线的深度和广度，我们可以从以下几个方面进行考虑：- 数据拟合的准确性：通过分析拟合曲线与实际观测数据点之间的误差大小和分布情况，可以评估拟合曲线对数据的拟合程度。

一般来说，残差应该在一定范围内呈现随机分布，同时残差的平方和应该足够小，这样才能认为拟合曲线较好地拟合了数据点。

- 拟合曲线的泛化能力：除了拟合实际观测数据点外，我们还需要考虑拟合曲线在未知数据的泛化能力。

拟合曲线是否能够很好地适应新的数据点，是否具有较好的预测能力，这些都是评价拟合曲线广度的重要指标。

- 模型的复杂度：复杂的拟合曲线可能会过度拟合观测数据点，导致在未知数据上的预测能力降低；而过于简单的拟合曲线可能无法很好地拟合实际观测数据点。

我们需要对拟合曲线的复杂度进行合理的权衡，以达到最佳的拟合效果。

4. 个人观点和理解在我看来，普通最小二乘法是一种较为可靠和普遍适用的拟合方法，其核心准则即最小化残差平方和可以帮助我们得到相对较好的拟合效果。

然而，需要注意的是，在进行数据拟合时，我们应该不断地评估拟合曲线的准确性和泛化能力，并合理地考虑拟合曲线的复杂度，以得到更加可靠和实用的结果。

通过对普通最小二乘法的拟合曲线准则进行充分的评估，我们可以更深入地理解数据拟合的原理和方法，从而在实际应用中取得更加准确和可靠的结果。

Python曲线拟合的最小二乘法引言在实际应用中，我们经常需要通过已知数据去拟合一条曲线，以便更好地理解数据的趋势和规律。

曲线拟合是一种常用的数据分析方法，而最小二乘法则是其中最常见和重要的一种技术手段。

本文将介绍如何使用Python进行曲线拟合，并着重讨论最小二乘法的应用和原理。

1. 什么是最小二乘法？最小二乘法是一种数学优化方法，用于确定一组数据和一个数学关系式之间的最优拟合曲线。

具体来说，对于给定的一组数据点，最小二乘法的目标是找到一个数学模型，使得该模型计算出的值与实际观测值之间的残差平方和最小。

2. 最小二乘法的原理考虑一个简单的情况，假设我们有一组数据点(x1, y1), (x2, y2), … , (xn, yn)，我们想要用一条直线y = ax + b来拟合这些数据。

最小二乘法的目标是找到最优的参数a和b，使得拟合后的直线与数据点之间的残差平方和最小。

为了求解最优参数，可以通过最小化残差平方和的方式来进行。

具体来说，可以定义一个损失函数，即残差平方和的平均值，如下所示：J(a, b) = (1/n) * Σ(yi - (axi + b))^2其中，n表示数据点的个数，xi和yi分别表示第i个数据点的横坐标和纵坐标。

通过最小化这个损失函数，可以得到最优的参数a和b。

对于更复杂的情况，比如需要拟合高阶曲线，最小二乘法的原理类似，只是拟合模型不同。

还可以通过增加更多的参数来适应更复杂的曲线形状。

3. 使用Python进行最小二乘法曲线拟合在Python中，使用最小二乘法进行曲线拟合非常方便，可以使用scipy库的optimize模块中的curve_fit函数来实现。

我们需要导入必要的库：import numpy as npfrom scipy.optimize import curve_fitimport matplotlib.pyplot as plt我们可以定义拟合的数学模型。

以拟合一条指数函数为例，定义一个指数函数的模型：def func(x, a, b, c):return a * np.exp(-b * x) + c接下来，我们可以生成一组测试数据：x = np.linspace(0, 4, 50)y = func(x, 2.5, 1.3, 0.5)使用curve_fit函数进行曲线拟合：params, params_covariance = curve_fit(func, x, y)我们可以绘制原始数据和拟合曲线的图像：plt.plot(x, y, 'bo', label='Original Data')plt.plot(x, func(x, params[0], params[1], params[2]), 'r-', label='Fitted Curv e')plt.legend()plt.show()4. 个人观点和总结最小二乘法在数据分析和曲线拟合中被广泛应用，其原理简单而有效。

竭诚为您提供优质文档/双击可除最小二乘法曲线拟合实验报告篇一：实验3曲线拟合的最小二乘法实验三曲线拟合的最小二乘法1、实验目的：在科学研究与工程技术中，常常需要从一组测量数据出发，寻找变量的函数关系的近似表达式，使得逼近函数从总体上与已知函数的偏差按某种方法度量能达到最小而又不一定过全部的点。

这是工程中引入最小二曲线拟合法的出发点。

充分掌握：1．最小二乘法的基本原理；2．用多项式作最小二乘曲线拟合原理的基础上，通过编程实现一组实验数据的最小二乘拟合曲线。

2、实验要求:1)认真分析题目的条件和要求，复习相关的理论知识，选择适当的解决方案和算法；2)编写上机实验程序，作好上机前的准备工作；3)上机调试程序，并试算各种方案，记录计算的结果（包括必要的中间结果）；4)分析和解释计算结果；5)按照要求书写实验报告；3、实验内容：1)给定数据如下：x：0.15，0.4，0.6，1.01，1.5，2.2，2.4，2.7，2.9，3.5，3.8，4.4，4.6，5.1，6.6，7.6；y：4.4964，5.1284，5.6931，6.2884，7.0989，7.5507，7.5106，8.0756，7.8708，8.2403，8.5303，8.7394，8.9981，9.1450，9.5070，9.9115；试作出幂函数拟合数据。

2)已知一组数据：x：0，0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，1y：-0.447，1.978，3.28，6.16，7.08，7.34，7.66，9.56，9.48，9.30，11.2；试用最小二乘法求多项式函数，使与此组数据相拟合。

4、题目：曲线拟合的最小二乘法5、原理：从整体上考虑近似函数同所给数据点(i=0,1,…,m)误差(i=0,1,…,m)的大小，常用的方法有以下三种：一是误差(i=0,1,…,m)绝对值的最大值，即误差向量的∞—范数；二是误差绝对值的和，即误差向量r的1—范数；三是误差平方和的算术平方根，即误差向量r的2—范数；前两种方法简单、自然，但不便于微分运算，后一种方法相当于考虑2—范数的平方，因此在曲线拟常采用误差平方和来度量误差(i=0，1，…，m)的整体大小.。

曲线拟合（curve-fitting ）：工程实践中，用测量到的一些离散的数据},...2,1,0),,{(m i y x i i =求一个近似的函数)(x ϕ来拟合这组数据，要求所得的拟合曲线能最好的反映数据的基本趋势（即使)(x ϕ最好地逼近()x f ，而不必满足插值原则。

因此没必要取)(i x ϕ=i y ，只要使i i i y x -=)(ϕδ尽可能地小）。

原理：给定数据点},...2,1,0),,{(m i y x i i =。

求近似曲线)(x ϕ。

并且使得近似曲线与()x f 的偏差最小。

近似曲线在该点处的偏差i i i y x -=)(ϕδ，i=1,2,...,m 。

常见的曲线拟合方法:1.使偏差绝对值之和最小2.使偏差绝对值最大的最小3.使偏差平方和最小最小二乘法：按偏差平方和最小的原则选取拟合曲线，并且采取二项式方程为拟合曲线的方法,称为最小二乘法。

推导过程：1. 设拟合多项式为：2. 各点到这条曲线的距离之和，即偏差平方和如下：3. 问题转化为求待定系数0a ...k a 对等式右边求i a 偏导数，因而我们得到了： .......4、 把这些等式化简并表示成矩阵的形式，就可以得到下面的矩阵：5. 将这个范德蒙得矩阵化简后可得到:6. 也就是说X*A=Y ，那么A = (X'*X)-1*X'*Y ，便得到了系数矩阵A ，同时，我们也就得到了拟合曲线。

MATLAB 实现：MATLAB 提供了polyfit （）函数命令进行最小二乘曲线拟合。

调用格式：p=polyfit(x,y,n)[p,s]= polyfit(x,y,n)[p,s,mu]=polyfit(x,y,n)x,y 为数据点，n 为多项式阶数，返回p 为幂次从高到低的多项式系数向量p 。

x 必须是单调的。

矩阵s 包括R （对x 进行QR 分解的三角元素）、df(自由度）、normr(残差）用于生成预测值的误差估计。