最小二乘法求拟合函数的参数，并生成代码

最小二乘法是一种常用的统计学方法，用于通过最小化误差平方和来找到一组最佳参数，使得模型的预测值最接近实际观测值。在Python中，我们可以使用Scipy库中的`optimize.curve_fit()`函数来进行拟合。这里有一个简单的例子：

import numpy as np
from scipy.optimize import curve_fit

# 假设我们有数据点(x_data, y_data)，以及假设的函数形式y = a*x^2 + b*x + c
def func(x, a, b, c):
    return a * x**2 + b * x + c

# 假定的数据点
x_data = np.array([1, 2, 3, 4, 5])
y_data = np.array([2, 4, 7, 11, 16])  # 这里只是一个示例，真实数据应替换为你的观测值

# 初始猜测的参数
p0 = [1, 1, 1]  # a, b, c的初始估计值

# 使用最小二乘法拟合
params, _ = curve_fit(func, x_data, y_data, p0=p0)

# 输出拟合后的参数和函数
print("Best-fit parameters:", params)
print("Fitted function: y =", func(x_data, *params))

# 相关问题--
1. 如果数据点不符合二次函数模型，如何更改函数形式？
2. 如何处理异常值对最小二乘法的影响？
3. `curve_fit()`函数返回的第二个值是什么意思？