在MATLAB中进行回归分析，可以使用`regress`函数或`fitlm`函数。以下是使用这些函数进行回归分析的基本步骤：
使用`regress`函数进行线性回归分析
准备数据
确保你有自变量`X`和因变量`y`的数据。
调用`regress`函数
一元线性回归：
```matlab
b = regress（y, X）；
```
多元线性回归：
```matlab
X = [x1, x2, ..., xn]； % 自变量矩阵，每一列代表一个自变量
y = [y1, y2, ..., yn]； % 因变量向量
[b, bint, r, rint, stats] = regress（y, X）；
```
获取回归结果
`b`：回归系数向量。
`bint`：回归系数的95%置信区间。
`r`：残差向量。
`rint`：残差的95%置信区间。
`stats`：包含决定系数`R^2`、F值和回归的p值等统计信息。
分析模型
使用`rcoplot（r, rint）`绘制残差分析图。
使用`plot（X, b）`绘制拟合曲线。
使用`stats`中的`R^2`值评估模型拟合优度。
使用`fitlm`函数进行多元线性回归
准备数据
同样需要自变量`X`和因变量`y`的数据。
创建模型
```matlab
model = fitlm（y, X）；
```
训练模型
模型已经通过`fitlm`函数创建，无需额外训练步骤。
评估模型
使用`predict（model, X）`进行预测。
使用`rmse（y, predict（model, X））`计算均方根误差（RMSE）。
使用`rsquared（model）`计算决定系数（R^2）。
示例代码
```matlab
% 示例数据
x = [1, 2, 3, 4, 5]；
y = [2, 4, 5, 4, 5]；
% 调用regress函数
b = regress（y, x）；
% 输出回归结果
disp（'回归系数：'）；
disp（b）；
% 绘制拟合曲线
plot（x, b, 'o-'）；
xlabel（'x'）；
ylabel（'y'）；
title（'一元线性回归'）；
```
```matlab
% 示例数据
X = [1, 2, 3, 4, 5]；
y = [2, 4, 5, 4, 5]；
% 创建模型
model = fitlm（[1, X], y）；
% 进行预测
y_pred = predict（model, [6, 7, 8, 9, 10]）；
% 输出预测结果
disp（'预测结果：'）；
disp（y_pred）；
% 计算RMSE
rmse_value = rmse（y, y_pred）；
disp（['均方根误差： ', num2str（rmse_value）]）；
% 计算R^2
r2_value = rsquared（model）；
disp（['决定系数： ', num2str（r2_value）]）；
```
通过这些步骤和示例代码，你可以在MATLAB中有效地进行回归分析。