拟合曲线的参数是通过拟合算法来确定的。在 MATLAB 中，fit 函数可以使用不同的拟合算法来估计曲线的参数。

拟合算法的选择和参数的确定会受到多种因素的影响，包括拟合模型的形式、数据的特点以及应用需求等。以下是一些常见的拟合算法：

最小二乘法（Least Squares Method）：最常用的拟合算法之一，通过最小化残差平方和来估计参数。这种方法适用于大部分线性和非线性拟合问题。

非线性最小二乘法（Nonpnear Least Squares Method）：用于非线性拟合，通过迭代优化算法来寻找最小化目标函数的参数。

最小二乘支持向量机（Least Squares Support Vector Machine, LS-SVM）：用于回归问题的一种拟合方法，基于支持向量机的思想，通过核技巧将问题转化为线性问题进行求解。

根据具体情况，可以选择合适的拟合算法，并根据算法提供的选项和参数来进行拟合。例如，可以使用 'Method' 参数指定拟合算法，使用 'StartPoint' 参数指定初始参数值等。

在拟合过程中，拟合算法会尝试调整参数值以使拟合曲线与数据最好地对应。具体的优化过程和参数估计方法会根据选择的拟合算法而有所不同。

值得注意的是，拟合曲线的参数是基于给定的数据集进行估计的，因此在使用拟合结果进行预测或推断时需要谨慎，并验证模型的适用性。

综上所述，拟合曲线的参数是通过拟合算法根据给定的数据集进行估计的。选择合适的算法、参数设置以及理解拟合结果的可靠性都是进行有效拟合的重要方面。