代码如下
import numpy as np from matplotlib import pyplot as plt # 用numpy生成数据t ,y t = np.arange(1,10,1) y = 0.9 * t + np.sin(t) model = np.polyfit(t, y ,deg=1) # np.polyfit是numpy提供的加分分析方法，deg=1,指定模型为1阶的，返回值model为获得的模型 t2 = np.arange(-2,12,0.5) # 再生成一个间隔为0.5的序列 ypredict = np.polyval(model, t2) # 由np.polyval预测y值序列 plt.plot(t, y, "o", t2, ypredict, 'x') plt.show()
上面的一段代码利用numpy生成数据序列，并实现了1阶回归，并画出预测效果图，图形如下：
将代码改一下，实现2阶、3阶回归预测，只需要model = np.polyfit(t, y, deg =2)即可，同理3阶模型就把deg改为3即可。
2阶效果图和3阶效果图分别如下：
需要说明的是，并不是拟合的阶数越高，模型越好，本例使用2阶拟合效果比较好，如果使用3阶，会出现“过拟合”
