多项式回归计算器

多项式回归是线性回归的强大扩展，它用 n 阶多项式来描述自变量 x 与因变量 y 之间的关系。与拟合直线的简单线性回归不同，多项式回归可以捕捉数据中的曲线、拐点和更复杂的模式，因此当现实世界中的关系明显不是线性时，它非常有用。 数学模型可写为：y = β₀ + β₁x + β₂x² + … + βₙxⁿ，其中系数 β₀ 到 βₙ 通过最小二乘法根据数据估计。虽然它拟合的是曲线而不是直线，但由于模型对系数仍然是线性的，因此多项式回归依然被归类为线性模型。 最小二乘法通过最小化残差平方和来工作，也就是观测到的 y 值与多项式预测值之间的差异。其实现方式是求解正规方程：(XᵀX)β = Xᵀy，其中 X 是由 x 值构造的范德蒙德矩阵。这个计算器使用高斯消元法来求解这些方程，这是一种稳健的数值方法，适用于最高 10 阶的多项式。 R²（决定系数）衡量拟合后的多项式对 y 总体变异的解释程度。R² 为 1.0 表示曲线精确通过所有数据点；0.0 表示模型无法解释任何方差。虽然 R² 会随着多项式阶数增加而上升，但高阶多项式配合很高的 R² 也可能意味着过拟合——模型记住了训练数据，而没有抓住真实趋势。 选择合适的阶数至关重要。1 阶给出一条直线（等同于简单线性回归）。2 阶（二次）可以描述 U 形或倒 U 形模式。3 阶（三次）可以建模 S 形趋势或更复杂的增长曲线。对大多数实际数据集而言，2 阶或 3 阶通常就足够了；超过 5 阶或 6 阶往往会带来数值不稳定和过拟合。 多项式回归的应用覆盖许多领域。工程师使用二次模型描述应力-应变关系和抛体运动。经济学家将三次曲线用于成本函数和生产模型。生物学家将多项式回归应用于生长曲线和剂量反应研究。数据科学家则常把它作为机器学习流水线中的预处理步骤。 使用此计算器时，请注意外推风险——多项式曲线在观测数据范围之外可能会表现得非常极端。请始终结合领域知识验证预测，并在提高多项式阶数之前优先考虑更简单的模型。