### 数据拟合与最大值预测 为了实现数据拟合并预测其最大值，可以采用多项式回归模型。此方法能够捕捉到数据中的趋势，并基于该趋势外推未来可能的最大值。 下面是一个完整的Python程序实例，展示了如何利用`numpy.polyfit()`函数来进行一维数据的多项式拟合以及寻找预测区间内的最大值： ```python import numpy as np from scipy.optimize import fminbound def fit_and_predict_max(x_data, y_data, degree=3): """ 对给定的数据进行指定阶数的多项式拟合， 并计算拟合曲线上的最大值及其对应的x位置 参数: x_data : array_like 自变量序列 y_data : array_like 因变量序列 degree : int 多项式的次数，默认为三次 返回: tuple(float,float) 预测得到的最大y值和相应的x坐标 """ # 进行多项式拟合获得系数向量p p = np.polyfit(x_data, y_data, deg=degree) # 构造目标函数f(x)，即拟合后的多项式表达式 def poly_func(x): result = 0. for d in range(degree + 1): result += p[d]*pow(x, degree-d) return -result # 使用负号是因为我们要找极大值而优化器默认找极小值 # 寻找定义域内使poly_func取最小值(-max)的位置bnd=(xmin,xmax) xmin, xmax = min(x_data), max(x_data) opt_x = fminbound(poly_func, xmin, xmax) # 计算对应的最大y值 pred_y_max = sum([p[d]*pow(opt_x, degree-d) for d in range(degree+1)]) return pred_y_max, opt_x if __name__ == "__main__": # 示例数据点 xs = [i/10. for i in range(10)] ys = [-4) for i in xs] predicted_maximum_value, at_position = fit_and_predict_max(xs, ys) print(f"Predicted maximum value is {predicted_maximum_value:.6g} occurring at position {at_position:.6g}.") ``` 上述代码通过构建一个自定义的目标函数来表示拟合出来的多项式方程，在此基础上应用SciPy库中的`fminbound()`找到局部最优解——也就是我们所关心的最大值所在之处[^1]。