在图表上点击添加数据点。进行线性、多项式、指数、幂函数回归，实时显示R²、RMSE和回归方程。
整理实验数据和推导经验式：材料试验或环保测量获得的离散数据点，可通过回归推导描述现象的近似公式。例如，应力-应变曲线的弹性区从线性回归求得杨氏模量是典型应用。
CAE仿真验证（V&V）：比较仿真与实验数据时，对两个数据集进行回归分析，检查斜率是否接近1、$R^2$是否较高等，以定量评价仿真可信度。
产品寿命预测：加速寿命测试的数据用时间或应力相关的函数（通常为指数或幂函数）拟合，外推预测常规环境下的产品寿命。电子元器件失效率预测广泛应用。
传感器数据校准和标定：温度传感器输出电压与实际温度多为非线性。用标定数据用多项式或样条函数拟合，生成修正公式，将测量值转换为精确物理量。
首先，「R²高就是好模型」这种想法很危险。例如用5次多项式拟合材料蠕变数据，R²可能超过0.99，但这条曲线完全无法预测未来行为，物理意义全无。实务中应平衡「预测性能」和「可解释性」。其次，容易忽视「异常值」的影响。只要有一个明显偏离的数据点，最小二乘法就会被强烈拉扯，导致回归方程严重歪斜。用NovaSolver试试：画一排整齐的点，再在末端加一个远离的点，你会看到直线大幅偏移。最后，要避免进行「外推预测」（预测范围外）。用20℃到80℃的实验数据推测150℃的行为，即使R²再高也风险极大。材料可能发生相变等意外现象。
材料拉伸试验测得应力与应变的关系：数据点(0,0)、(100,0.5)、(200,1.2)、(300,1.8) MPa。用线性模型拟合得回归方程y=0.0061x-0.040，R²=0.9963，RMSE=0.042。用相同数据进行二次多项式拟合得R²=0.9976，可实时比较两个模型的拟合度。