python二次函数拟合

在Python中，二次函数拟合通常是指通过最小二乘法来寻找一条二次曲线（形式为y = ax^2 + bx + c）的最佳拟合线，以便使数据点到这条曲线的距离平方和最小。Python的`sklearn`库中的`LinearRegression`模块主要用于线性回归，但我们可以使用`numpy`和`scipy.optimize`等模块来进行二次函数的拟合。

以下是一个简单的例子，展示如何使用这些库进行二次函数拟合：

import numpy as np
from scipy.optimize import curve_fit

# 假设我们有数据点 [(x1, y1), (x2, y2), ...]
data_x = [1, 2, 3, 4, 5]  # x坐标列表
data_y = [2, 4, 9, 16, 25]  # y坐标列表

# 定义二次函数模型，参数为a, b, c
def quadratic_func(x, a, b, c):
    return a * x**2 + b * x + c

# 使用curve_fit函数求解最优参数
params, _ = curve_fit(quadratic_func, data_x, data_y)

# 输出最佳拟合参数
print(f"Best fit parameters for the quadratic function: a={params[0]}, b={params[1]}, c={params[2]}")

# 使用拟合参数绘制二次函数
import matplotlib.pyplot as plt
plt.scatter(data_x, data_y)
x_range = np.linspace(min(data_x), max(data_x), 100)  # 创建x轴范围
plt.plot(x_range, quadratic_func(x_range, *params))
plt.show()