最小二乘法是一种数学优化技术，它通过最小化误差的平方和寻找数据的最佳函数匹配。在 MATLAB 中，你可以使用内置的 `lsqlin` 函数或者 `polyfit` 函数来实现最小二乘法。以下是两种方法的示例。

1. 使用 `polyfit` 函数进行线性最小二乘法：

<code>

% 假设你有以下数据

x = [1 2 3 4 5];

y = [2.2 2.8 3.6 4.5 5.1];

% 使用 polyfit 函数进行线性拟合，其中 1 表示拟合的阶数（线性）

p = polyfit(x, y, 1);

% 显示拟合结果

disp(p);

% 使用拟合的结果生成 y 的拟合值

yfit = polyval(p, x);

% 绘制原始数据和拟合线

plot(x, y, 'bo', x, yfit, 'r-');

legend('原始数据', '拟合线');

2. 使用 `lsqlin` 函数进行非线性最小二乘法：

% 假设你有以下数据

x = [1 2 3 4 5];

y = [2.2 2.8 3.6 4.5 5.1];

% 创建一个线性模型函数，例如 y = ax + b

fun = @(b,x)(b(1)*x + b(2));

% 初始参数估计

b0 = [0 0];

% 使用 lsqlin 函数进行最小二乘拟合

b = lsqlin(x, y, fun, b0);

% 显示拟合结果

disp(b);

% 使用拟合的结果生成 y 的拟合值

yfit = fun(b, x);

% 绘制原始数据和拟合线

plot(x, y, 'bo', x, yfit, 'r-');

legend('原始数据', '拟合线');

注意，`lsqlin` 函数允许你进行非线性最小二乘拟合，只需提供一个可以计算模型预测值的函数即可。在上面的示例中，我们使用了线性模型函数，但可以将其替换为任何你需要的非线性模型函数。

在使用这些函数时，请确保你的数据适合进行最小二乘拟合。例如，如果你的数据中有许多噪声或异常值，可能需要使用其他方法（如稳健回归或数据清理）来获得更好的结果。