好的，下面我们将详细描述如何生成满足条件的数据并完成绘图任务。我们会使用Python及其科学计算库NumPy和Matplotlib来实现这一目标。 ### 步骤分解： 1. **生成原始直线数据**：先按照给定公式 \( y = 2x \) 生成一组数据。 2. **添加噪声**：基于标准差为35的正态分布向每个点添加随机扰动，确保最终均方根误差（RMSE）接近设定值。 3. **多项式拟合**：用三阶多项式对带噪点进行最小二乘法拟合。 4. **绘制图表**：将原线、散点以及拟合后的曲线一同展示出来。 下面是完整的代码示例： ```python import numpy as np import matplotlib.pyplot as plt # 设定点数 N 和 RMSE 目标 rmse_target N = 50 rmse_target = 35 # 定义 x 范围 [0, 9] x_true = np.linspace(0, 9, N) # 计算理论 y 值即 y=2x y_true = 2 * x_true # 添加服从正态分布的噪音到真实 y 上面形成观测数据 y_observed， # 并调整其偏差使得实际 RMSD 达到预期的目标. sigma = rmse_target / (np.sqrt(N - 1)) # 根据需求调整 sigma 精确度 noise = np.random.normal(scale=sigma, size=N) y_observed = y_true + noise # 对带噪点做三阶多项式的拟合并获得系数 p p = np.polyfit(x_true, y_observed, deg=3) # 构建对应于上述系数的一系列预测值 y_fitted y_fitted = np.polyval(p, x_true) # 绘制图像 plt.figure(figsize=(8,6)) plt.scatter(x_true, y_observed, label="Observations", color='red') plt.plot(x_true, y_true, 'g-', linewidth=2, label="$y = 2x$") plt.plot(x_true, y_fitted, 'b--', linewidth=2, label="Fitted curve") # 图表标题与坐标轴标签设置 plt.title('Polynomial Fitting with Noisy Data') plt.xlabel('X Axis Label') plt.ylabel('Y Axis Label') # 显示图例信息 plt.legend() # 展示图形窗口 plt.show() ``` 通过以上步骤我们可以得到一条理想化的直线加上一些波动较大的离散点，并且能够看到经过三次项拟合之后的趋势变化情况。 为了更好地理解整个过程，您可以尝试修改某些关键参数如 `N`, `rmse_target` 或者增加更多次运行以观察每次产生的不同效果。