多项式回归计算器

多项式回归是线性回归的强大扩展，它将自变量 x 与因变量 y 之间的关系建模为 n 次多项式。与拟合直线的简单线性回归不同，多项式回归可以捕捉曲线、弯折以及更复杂的数据模式，因此适用于现实世界中明显非线性的关系。 其数学模型形式为：y = β₀ + β₁x + β₂x² + … + βₙxⁿ，其中系数 β₀ 到 βₙ 通过最小二乘法从数据中估计。尽管拟合的是曲线而不是直线，多项式回归仍被归类为线性模型，因为它对系数而言是线性的。 最小二乘法会最小化残差平方和，即观测 y 值与多项式预测值之间差异的平方和。这通过求解正规方程 (XᵀX)β = Xᵀy 来完成，其中 X 是由 x 值构造的范德蒙德矩阵。本计算器使用高斯消元法求解这些方程，这是一种稳健的数值方法，适合最高 10 次的多项式。 R 平方（R²）即决定系数，用于衡量拟合多项式对 y 总变异性的解释程度。R² 为 1.0 表示曲线精确通过所有数据点；0.0 表示模型完全不能解释方差。虽然 R² 总会随着多项式次数增加而上升，但高次数多项式配合极高 R² 可能意味着过拟合——模型记住了训练数据，而不是捕捉真实的底层趋势。 选择合适的次数至关重要。1 次给出直线（等同于简单线性回归）。2 次（二次）可捕捉 U 形或倒 U 形模式。3 次（三次）可建模 S 形趋势或更复杂的增长曲线。对于大多数实际数据集，2 次或 3 次已经足够，超过 5 次或 6 次往往会引入数值不稳定和过拟合。 多项式回归的应用遍及许多领域。工程师用二次模型描述应力-应变关系和抛体运动。经济学家用三次曲线拟合成本函数和生产模型。生物学家将多项式回归用于生长曲线和剂量反应研究。数据科学家也会把它作为机器学习流程中的预处理步骤。 使用本计算器时，请注意外推风险——多项式曲线在观测数据范围之外可能表现得非常不稳定。务必结合领域知识验证预测结果，并在提高多项式次数之前先考虑更简单的模型。