在数据拟合中，神经网络需要处理从一个数据集到另一个数据集的映射，如通过原材料价格、地价、银行利率等因素估算房价，原材料价格、地价和银行利率属于一个数据集，在网络中是输入，房价则属于另一个数据集，在网络中是输出。神经网络的拟合工具可用来收集数据，建立和训练网络，并均方误差和回归分析来评价网络的效果。

nftool工具箱采用前向神经网络来完成数据拟合，包括两层神经元，隐藏层使用sigmoid传输函数，输出层则是线性的。给定足够的训练数据和足够的隐藏层神经元，网络能良好地拟合多维数据。

生成一段加入了均匀噪声的正弦函数数据

x=0:.2:2*pi+.2;

rng(2);y=sin(x)+rand(1,length(x))*0.5;

plot(x,y,'o-');

在命令行输入nftool后回车，启动神经网络拟合工具对话框

单击Next进入数据选择界面，不但要指定输入数据，还要指定目标数据，即输入数据的期望输出

单击Next进入Validation and Test Data界面，工具箱把数据分为三部分：

1.训练样本，用于网络训练，网络将根据训练样本的误差调整网络权值和阈值

2.验证样本，用于验证网络的推广性能，当推广性能停止提高时，表示网络已达到最优状态，此时就停止训练

3.测试样本，用于测试网络的性能，网络不会分局测试样本的结果做任何调整

一般情况下，训练样本用于调整网络权值和阈值，验证样本则用于调整网络结构，如隐藏层神经元的个数

默认随机地将70%的数据划为训练样本，15%的数据划为验证样本，剩下的15%数据作为测试样本

单击Next进入网络结构界面，设置隐藏层神经元个数

单击Next进入训练界面，单击Train进行网络训练，工具箱自动弹出训练对话框显示训练过程，默认最大迭代次数为1000次。

训练完成后将显示训练样本、、验证样本和测试样本的均方误差（MSE）和R值。R值衡量了目标数据（期望输出）与实际输出之间的相关性，如果相关性为1，说明两者完全相符，如果相关性为0则说明数据完全随机。

训练完成后点击Plot Fit显示适应度，同时展示训练样本、验证样本和测试样本的目标输出和实际输出

点击Plot Error Histgram显示误差直方图

误差的计算公式是：

误差 = 目标输出 - 实际输出

点击Plot Regression显示回归图，分别显示训练样本、验证样本、测试样本和所有数据的回归图

点击Next进入测试界面，选择测试数据和期望输出，点击Test Network即可进行测试，测试完成后可以点击显示适应度图、误差直方图和回归图

测试数据生成

xx=0:.1:2*pi+.2;

yy=sin(xx)+0.25;

点击Next进入结果界面，选择想要生成的类型，可以生成MATLAB脚本文件，也可以转为Simulink模型

最后点击Finish结束数据拟合