这个问题的公认答案提供了一个小型的多多边形拟合库 ，该库可以使用numpy完全满足您的需要，并且您可以将结果插入到绘图中，如下所示。
您只需将x和y点的数组以及所需的拟合度（顺序）传递到multipolyfit 。这将返回系数，然后您可以使用numpy的polyval进行绘制。
注意：下面的代码已被修改以进行多元拟合，但是绘图图像是较早的非多元答案的一部分。
import numpy
import matplotlib.pyplot as plt
import multipolyfit as mpf
data = [[1,1],[4,3],[8,3],[11,4],[10,7],[15,11],[16,12]]
x, y = zip(*data)
plt.plot(x, y, 'kx')
stacked_x = numpy.array([x,x+1,x-1])
coeffs = mpf(stacked_x, y, deg)
x2 = numpy.arange(min(x)-1, max(x)+1, .01) #use more points for a smoother plot
y2 = numpy.polyval(coeffs, x2) #Evaluates the polynomial for each x2 value
plt.plot(x2, y2, label="deg=3")
注意：这是较早答案的一部分，如果您没有多元数据，它仍然很重要。代替coeffs = mpf(... ，而是使用coeffs = numpy.polyfit(x,y,3)
对于非多元数据集，最简单的方法可能是使用numpy的polyfit ：
numpy.polyfit(x, y, deg, rcond=None, full=False, w=None, cov=False)最小二乘多项式拟合。
将多项式
p(x) = p[0] * x**deg + ... + p[deg]度deg拟合到点(x, y)。返回最小化平方误差的系数p的向量。
收藏
Rex Kipling• 643
评论
关于我们
常见问题
内容许可
联系我们
0
如何在python中计算最佳拟合线，然后将其绘制在matplotlib中的散点图上？
我当时使用普通最小二乘回归法计算线性最佳拟合线，如下所示：
这是多变量的（每种情况有很多x值）。因此，X是一个列表列表，而y是一个列表。例如：
但是我该如何使用高阶多项式函数呢？例如，不仅是线性的（x等于M = 1的幂），还包括二项式（x等于M = 2的幂），二次方（x等于M = 4的幂）等等。例如，如何从以下获得最佳拟合曲线？
摘自克里斯托弗·毕晓普（Christopher Bishops）的“模式识别与机器学习”，第7页：