### 数据拟合与极值预测 为了实现数据的拟合以及极值（最大值或最小值）的预测，可以采用多项式回归模型来进行数据建模。此方法能够捕捉到数据中的趋势并用于外推未来可能达到的极值位置。 #### 使用NumPy和SciPy库进行数据拟合 对于给定的数据集，首先利用`numpy.polyfit()`函数基于最小二乘法计算最佳拟合曲线的系数；接着使用这些系数构建一个多项式对象以便后续评估新输入点处对应的y值。最后借助于`scipy.optimize.minimize_scalar()`寻找该连续区间内的局部最优解作为潜在的最大值或最小值候选者[^1]。 ```python import numpy as np from scipy import optimize import matplotlib.pyplot as plt def fit_and_predict_extrema(x_data, y_data): """ 对传入的一维数组执行多项式拟合并尝试找到其内部存在的全局最优点 参数: x_data (array-like): 自变量序列 y_data (array-like): 应变量序列 返回: tuple: 包含两个元素的结果元组， 第一个是所求得的最佳拟合参数列表； 第二个则是由优化器返回的对象，其中包含了关于目标函数的信息。 """ # 计算三次多项式的拟合参数 popt = np.polyfit(x=x_data, y=y_data, deg=3) # 构造多项式表达式 poly_func = np.poly1d(popt) # 定义待寻优的目标函数 def objective_function(x_val): return -poly_func(x_val) # 寻找极大值则需最大化负数形式下的原函数 res_min = optimize.minimize_scalar(objective_function, bounds=(min(x_data), max(x_data)), method='bounded') print(f"Predicted maximum point is ({res_min.x:.2f}, {-res_min.fun:.2f})") # 绘制原始散点图及其对应的最佳拟合曲线 fig, ax = plt.subplots() ax.scatter(x_data, y_data, label="Original Data", color="blue") xx = np.linspace(min(x_data), max(x_data)) yy = poly_func(xx) ax.plot(xx, yy, "r-", lw=2, label=f"Fitted Curve\nDegree={len(popt)-1}") ax.axvline(res_min.x, linestyle="--", c="green", alpha=.5, label=f'Estimated Maxima Position:\nx ≈ {res_min.x:.2f}') ax.legend(loc="best") plt.show() return popt, res_min ``` 上述代码片段展示了如何通过调用`np.polyfit()`完成对样本点之间关系的学习过程，并且运用了`optimize.minimize_scalar()`去定位沿所得平滑曲线上可能出现峰值的位置。此外还提供了可视化工具帮助理解整个流程的效果展示[^2]。