多项式拟合

一、直观理解：用一条多项式曲线概括趋势

多项式拟合在线性最小二乘框架下，用

$$y\approx\beta_0+\beta_1x+\beta_2x^2+\cdots+\beta_m x^m$$

逼近数据。它比直线更灵活，能描述弯曲趋势；又比任意非线性机理模型更省事，因此常作为经验曲线工具。

但多项式阶数越高，曲线越容易为了迁就噪声而剧烈摆动，尤其在区间端点附近（Runge 现象的拟合版）。所以多项式拟合的关键不是“能不能拟合”，而是“阶数如何克制”。

二、适用场景与优缺点

类型	说明
适用场景	平滑趋势未知但变化和缓；在数据范围内做插值式预测；需要简单经验公式；作为非线性模型的对照。
核心优点	参数线性、易实现；polyfit 一键完成；在中心区域往往表现尚可。
局限与缺点	高阶不稳、端点振荡；外推几乎不可靠；系数解释困难；变量需适当中心化/缩放。

三、核心原理：Vandermonde 设计矩阵

令 $\phi_j(x)=x^j$，则

$$X=\big[\phi_0(x_i),\ldots,\phi_m(x_i)\big]_{i=1}^n$$

为 Vandermonde 型矩阵，求解 $\min\|y-X\beta\|^2$。高阶时 $X$ 极度病态，故应：

• 限制 $m$；
• 对 $x$ 中心化/标准化；
• 使用 QR 或 MATLAB polyfit 的内部稳定实现；
• 或改用正交多项式、分段多项式（样条）。

阶数选择

可用：

• 调整 $R^2$、AIC/BIC；
• 交叉验证 RMSE；
• 残差是否已无明显结构；
• 奥卡姆原则：能低阶不高阶。

四、实践决策

1. 先散点图估计弯曲程度；
2. 从 $m=1,2,3$ 试起，很少超过 5；
3. 比较训练误差与验证误差；
4. 检查端点是否甩尾；
5. 若需局部灵活，优先样条而非高阶全局多项式。

五、MATLAB 示例

%% 多项式拟合：比较不同阶数
rng(4);
x = linspace(-1, 1, 25)';
yTrue = 1 ./ (1 + 25*x.^2);          % Runge 型函数
y = yTrue + 0.03*randn(size(x));
xq = linspace(-1, 1, 400)';

degrees = [2 5 9];
figure; scatter(x, y, 40, "filled"); hold on;
plot(xq, 1./(1+25*xq.^2), "k-", "LineWidth", 1);

for m = degrees
    p = polyfit(x, y, m);
    yq = polyval(p, xq);
    plot(xq, yq, "LineWidth", 1.2);
end
legend(["数据", "真值", "m=2", "m=5", "m=9"], "Location", "best");
title("多项式阶数升高后的振荡风险");
grid on; xlabel("x"); ylabel("y");

%% 用交叉验证选择阶数
maxDeg = 8;
n = numel(x);
cvRMSE = zeros(maxDeg,1);
for m = 1:maxDeg
    se = 0;
    for i = 1:n
        idx = true(n,1); idx(i) = false;
        p = polyfit(x(idx), y(idx), m);
        yhat = polyval(p, x(i));
        se = se + (yhat - y(i))^2;
    end
    cvRMSE(m) = sqrt(se/n);
end
[~, best] = min(cvRMSE);
fprintf("留一法 CV 最优阶数 = %d, CV-RMSE = %.4f\n", best, cvRMSE(best));

figure;
plot(1:maxDeg, cvRMSE, "-o", "LineWidth", 1.2);
xlabel("多项式阶数 m"); ylabel("LOOCV RMSE");
title("用交叉验证选择多项式阶数");
grid on;

中心化提升数值稳定性：

x = (0:0.5:20)';
y = 3 + 0.2*x - 0.01*x.^2 + 0.3*randn(size(x));
xc = x - mean(x);
p = polyfit(xc, y, 2);
fprintf("中心化后二次拟合系数：\n"); disp(p);

六、如何解释结果

报告：

1. 多项式阶数及选择依据（CV/AIC/残差）；
2. 拟合系数或多项式表达式（注意量纲）；
3. 训练/验证误差；
4. 适用区间（强调勿随意外推）；
5. 若高阶只为降训练误差而验证误差上升，应降阶。

七、常见误区

1. 阶数等于点数减一去“完美过点”

那是多项式插值，对噪声极度敏感，不是稳健拟合。

2. 在数据范围外读多项式

端点外的多项式行为往往发散，不可信。

3. 不缩放 $x$ 却拟合高阶

病态设计矩阵会导致系数看似巨大、数值不稳。

4. 与机理模型对着干

若指数/饱和等机理明显，应优先非线性机理拟合。

附：建模流程中的落地清单（多项式拟合）

要把方法真正写进论文，建议补齐以下模块，而不是只贴一个最终数字。

1. 问题对齐与假设

说明题目中的输入/输出如何映射到本方法，并显式列出关键假设。假设越清楚，后面的敏感性分析越有对象。

2. 关键关系

在线性最小二乘框架用 $\{1,x,\dots,x^m\}$；阶数应用 CV/AIC 选择，警惕端点振荡。

3. 补充实现片段

x=linspace(-1,1,25)'; y=1./(1+25*x.^2)+0.03*randn(size(x)); p=polyfit(x,y,5); plot(x,y,'o',linspace(-1,1),polyval(p,linspace(-1,1)));

4. 报告要素

阶数依据、系数、验证误差、适用区间。

5. 不适用情形

用 $m=n-1$ 强行过点；数据外随意外推。

6. 与验证章节的衔接

至少做一项：参数扰动、与基线方法对照、极限情形检查。把“方法正文”和“全局方法论（第15门类）”连起来，结论才站得住。

八、小结

多项式拟合是参数线性、形式灵活的经验工具，适合数据范围内的平滑趋势概括。阶数选择与数值稳定是核心；一旦出现端点振荡或验证误差恶化，应降低阶数或改用样条/机理模型。