在不同的编程语言中，实现多项式回归拟合的方法有所不同，以下分别给出Python和R语言的实现示例。 ### Python实现 在Python中，可以使用`numpy`和`sklearn`库来实现多项式回归拟合。以下是一个示例代码： ```python import numpy as np from sklearn.preprocessing import PolynomialFeatures from sklearn.linear_model import LinearRegression import matplotlib.pyplot as plt # 生成一些示例数据 x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) y = np.array([2, 4, 6, 8, 10, 12, 14, 16, 18, 20]) + np.random.randn(10) * 2 # 将输入数据转换为二维数组 x = x.reshape(-1, 1) # 创建多项式特征 poly = PolynomialFeatures(degree=2) x_poly = poly.fit_transform(x) # 创建线性回归模型 model = LinearRegression() model.fit(x_poly, y) # 预测 x_test = np.linspace(1, 10, 100).reshape(-1, 1) x_test_poly = poly.transform(x_test) y_pred = model.predict(x_test_poly) # 绘制结果 plt.scatter(x, y, color='blue', label='Actual data') plt.plot(x_test, y_pred, color='red', label='Polynomial regression') plt.xlabel('x') plt.ylabel('y') plt.title('Polynomial Regression') plt.legend() plt.show() ``` 上述代码首先生成了一些示例数据，然后使用`PolynomialFeatures`将输入数据转换为多项式特征，接着使用`LinearRegression`进行拟合，最后绘制出拟合结果。 ### R语言实现 在R语言中，可以使用`lm()`函数来实现多项式回归拟合。以下是一个示例代码： ```R # 生成一些示例数据 x <- 1:10 y <- 2 * x + rnorm(10, 0, 2) # 进行多项式回归拟合 model <- lm(y ~ poly(x, 2)) # 预测 x_test <- seq(1, 10, length.out = 100) y_pred <- predict(model, data.frame(x = x_test)) # 绘制结果 plot(x, y, col = "blue", main = "Polynomial Regression", xlab = "x", ylab = "y") lines(x_test, y_pred, col = "red") ``` 上述代码首先生成了一些示例数据，然后使用`lm()`函数进行多项式回归拟合，接着使用`predict()`函数进行预测，最后绘制出拟合结果。