p = polyfit(x,y,n)
[p,S] = polyfit(x,y,n)
[p,S,mu] = polyfit(x,y,n)
p是n+1维参数向量p(1)，p(2)….那么拟合后对应的多项式即为p(1)*x^n+ p(2)*x^(n-1) +…+ p(n)*x +p(n+1)
S是规模为1×1的结构数组，包括R（系数矩阵的QR分解的上三角阵），df（自由度），normr（拟合误差平方和的算术平方根）。
f=polyval(p,x)
然后plot出x和f即可。另外需要强调一点的是，往往需要在回归分析的时候给出相关系数（correlationcoefficient），实际上也很简单，我们可以使用命令：
r=corrcoef(x,y);
这样得到的r即为相关系数矩阵，其中r(1,2)=r(2,1)为相关系数，其值在[-1,1]之间，1表示最大程度的正相关，-1表示最大程度的负相关。相关系数绝对值越靠近1，线性相关性质越好，根据数据描点画出来的函数-自变量图线越趋近于一条平直线，拟合的直线与描点所得图线也更相近。
另外，转载两条使用polyfit的注意事项：
1.使用polyfit命令进行多项式拟合时要注意的是，向量x（其中元素作为自变量）中不重复的元素个数m，和拟合阶数k需要满足m>=k+1.简单分析：k阶拟合需要确定k+1个未知参数（如1阶拟合y= ax +b需要确定a和b两个参数），故而至少需要k+1个方程，故而需要至少k+1个不同的已知数对（x，y），由于函数中x只能对应一个y，故而需要至少k+1个不同的x。
2. polyfit只适合于形如y = a[k]*x^k + a[k-1]*x^(k-1) + …. + a[1]*x +a[0]的完全的一元多项式的数据拟合。
求出p之后我们需要作出拟合函数，那么只需要使用命令：
f=polyval(p,x)
然后plot出x和f即可。另外需要强调一点的是，往往需要在回归分析的时候给出相关系数（correlationcoefficient），实际上也很简单，我们可以使用命令：
r=corrcoef(x,y);
这样得到的r即为相关系数矩阵，其中r(1,2)=r(2,1)为相关系数，其值在[-1,1]之间，1表示最大程度的正相关，-1表示最大程度的负相关。相关系数绝对值越靠近1，线性相关性质越好，根据数据描点画出来的函数-自变量图线越趋近于一条平直线，拟合的直线与描点所得图线也更相近。
另外，转载两条使用polyfit的注意事项：
1.使用polyfit命令进行多项式拟合时要注意的是，向量x（其中元素作为自变量）中不重复的元素个数m，和拟合阶数k需要满足m>=k+1.简单分析：k阶拟合需要确定k+1个未知参数（如1阶拟合y= ax +b需要确定a和b两个参数），故而至少需要k+1个方程，故而需要至少k+1个不同的已知数对（x，y），由于函数中x只能对应一个y，故而需要至少k+1个不同的x。
2. polyfit只适合于形如y = a[k]*x^k + a[k-1]*x^(k-1) + …. + a[1]*x +a[0]的完全的一元多项式的数据拟合
举例：
x=(0:0.7:5)';
x1=(0:0.05:5)';
y=sin(x);
%%%p1,p2,p3是多项式的系数
p1=polyfit(x,y,4)
p2=polyfit(x,y,7)
p3=polyfit(x,y,10)
f1=polyval(p1,x1);
f2=polyval(p2,x1);
f3=polyval(p3,x1);
subplot(131);plot(x,y,'o',x1,f1,'-');
subplot(132);plot(x,y,'o',x1,f2,'-');
subplot(133);plot(x,y,'o',x1,f3,'-');
