数据拟合的几种方法：多项式拟合、最小二乘法拟合与高斯分布拟合
1、多项式拟合
2、最小二乘法拟合
3、高斯分布拟合
4、总结
在数据分析和科学研究中，数据拟合是一项非常重要的任务。通过拟合，我们可以找到数据的内在规律，从而进行预测和解释。本文将介绍三种常见的数据拟合方法：多项式拟合、最小二乘法拟合和高斯分布拟合，并附上相应的Python代码示例。
1、多项式拟合
多项式拟合是一种通过多项式函数来逼近数据的方法。在Python中，我们可以使用numpy库中的polyfit函数来进行多项式拟合。
以下是一个简单的示例代码，用于对一组数据进行4次多项式拟合：
import numpy as np
import matplotlib.pyplot as plt
t = [1, 2, 3]
y = [1, 3, 5]
# 进行4次多项式拟合
f1 = np.polyfit(t, y, 4)
print("a, b, c, d = :\n", f1) # 返回拟合函数的系数
p1 = np.poly1d(f1)
print("多项式曲线拟合函数:\n", p1)
# 计算拟合函数在t处的值
yvals = np.polyval(f1, t)
# 绘图
plot1 = plt.plot(t, y, "ob")
plot2 = plt.plot(t, yvals, "r")
plt.xlabel("t")
plt.ylabel("y")
plt.legend(loc=4) # 指定legend在图中的位置
plt.title('polyfitting')
plt.show()
在这个例子中，polyfit函数返回了拟合多项式的系数，poly1d函数将这些系数转换为一个多项式函数，polyval函数则用于计算多项式函数在给定点的值。最后，我们使用matplotlib库将原始数据和拟合曲线绘制出来。
2、最小二乘法拟合
最小二乘法拟合是一种通过最小化误差的平方和来寻找数据最佳函数匹配的方法。在Python中