1. 线性回归

公式： 线性回归的目标是拟合一条直线，形式为： y=mx+by=mx+b 其中：

• yy 是因变量（目标值）
• xx 是自变量（特征值）
• mm 是斜率（slope）
• bb 是截距（intercept）

优点：

• 简单易懂
• 计算效率高

缺点：

• 只能拟合线性关系
• 对于非线性关系的适应能力差

C# 线性回归示例代码

using MathNet.Numerics;
using MathNet.Numerics.LinearRegression;class Program
{static void Main(){double[] x = { 1, 2, 3, 4, 5 };double[] y = { 2, 4, 6, 8, 10 };// 进行线性回归var (slope, intercept) = SimpleRegression.Fit(x, y);Console.WriteLine($"拟合方程: y = {intercept} + {slope}x");}
}

2. 多项式拟合

公式： 多项式拟合的目标是拟合一个多项式，形式为： y=anxn+an−1xn−1+...+a1x+a0y=an​xn+an−1​xn−1+...+a1​x+a0​ 其中：

• an,an−1,...,a0an​,an−1​,...,a0​ 是多项式的系数
• nn 是多项式的最高次数

优点：

• 能拟合更复杂的非线性关系
• 通过增加多项式的次数，可以提高拟合的灵活性

缺点：

• 过拟合的风险较高（尤其是在高次多项式时）
• 计算复杂度较高

C# 多项式拟合示例代码

using MathNet.Numerics;
using MathNet.Numerics.LinearRegression;class Program
{static void Main(){double[] x = { 1, 2, 3, 4, 5 };double[] y = { 2, 3, 5, 7, 11 }; // 一组非线性数据// 进行多项式拟合，设定次数为2double[] coefficients = Fit.Polynomial(x, y, degree: 2);Console.WriteLine("拟合方程：");for (int i = coefficients.Length - 1; i >= 0; i--){Console.WriteLine($"{coefficients[i]}x^{i}");}}
}

对比总结

特征	线性回归	多项式拟合
拟合形式	直线 y=mx+by=mx+b	多项式 y=anxn+...y=an​xn+...
优点	简单、快速	能拟合复杂非线性关系
缺点	只能处理线性关系	容易过拟合，计算复杂度高
适用场景	数据呈线性关系时	数据呈现非线性关系时