C#实战：如何用最小二乘法将两组数据拟合成二次函数

1次阅读

共计 2468 个字符，预计需要花费 7 分钟才能阅读完成。

在工程预测和实验分析中，我们常常需要根据已知的观测数据，找到一个最能描述数据趋势的数学模型。数据拟合技术就是解决这类问题的利器。今天我们就来聊聊，如何用 C# 实现两组数据到二次函数的拟合，这在实际项目中非常有用，比如预测设备磨损趋势、分析实验数据规律等。

数据拟合主要有解析法和数值法两种思路。对于二次函数拟合，解析法理论上可行，但在实际应用中却存在不少问题：

解析解对数据误差非常敏感
当数据点较少时容易产生过拟合
计算过程容易出现数值不稳定

相比之下，最小二乘法作为数值法的代表，具有更好的稳定性和实用性。它通过最小化误差平方和来寻找最佳拟合曲线，能有效应对实际数据中的噪声和误差。

首先我们需要安装 Math.NET Numerics 库，这是.NET 平台上强大的数学计算库。在 NuGet 包管理器中搜索并安装它。

// 安装命令
Install-Package MathNet.Numerics

建立矩阵方程的关键是构建范德蒙德矩阵（Vandermonde matrix）。对于二次函数拟合，这个矩阵的形式如下：

// 假设我们有两组数据点 x 和 y
var xValues = new double[] {1, 2, 3, 4, 5};
var yValues = new double[] {1.1, 3.9, 8.2, 15.1, 24.8};

// 构建范德蒙德矩阵
var vandermonde = DenseMatrix.Create(xValues.Length, 3, (i, j) => 
    Math.Pow(xValues[i], j));

当数据点分布不均匀或数量较少时，矩阵可能呈现病态（ill-conditioned），导致求解不稳定。这时可以采用 Tikhonov 正则化：

// 正则化参数，通常取小值如 1e-6
double lambda = 1e-6;
var ridge = vandermonde.Transpose() * vandermonde + 
    lambda * DiagonalMatrix.CreateIdentity(3);

var coefficients = ridge.Solve(vandermonde.Transpose() * yValues.ToColumnMatrix());

R²值可以评估拟合质量，越接近 1 表示拟合效果越好：

var predictedY = vandermonde * coefficients;
double sst = (yValues.ToColumnMatrix() - yValues.Average()).L2Norm() * 2;
double sse = (yValues.ToColumnMatrix() - predictedY).L2Norm() * 2;
double rSquared = 1 - sse / sst;

下面是一个完整的实现示例，包含数据预处理和异常处理：

using MathNet.Numerics.LinearAlgebra;
using MathNet.Numerics.LinearAlgebra.Double;

public class QuadraticFitter
{public static (double a, double b, double c, double rSquared) Fit(double[] x, double[] y)
    {if (x.Length != y.Length || x.Length < 3)
            throw new ArgumentException("需要至少 3 组数据点");

        // 数据标准化（可选）var xMean = x.Average();
        var xScaled = x.Select(v => v - xMean).ToArray();

        // 构建范德蒙德矩阵
        var vandermonde = DenseMatrix.Create(x.Length, 3, (i, j) => 
            Math.Pow(xScaled[i], j));

        try
        {
            // 使用 QR 分解提高稳定性
            var coefficients = vandermonde.QR().Solve(y.ToColumnMatrix());

            // 计算 R²
            var predictedY = vandermonde * coefficients;
            double sst = (y.ToColumnMatrix() - y.Average()).L2Norm() * 2;
            double sse = (y.ToColumnMatrix() - predictedY).L2Norm() * 2;
            double rSquared = 1 - sse / sst;

            return (coefficients[2,0], coefficients[1,0], coefficients[0,0], rSquared);
        }
        catch (Exception ex) when (ex is ArgumentException || ex is InvalidOperationException)
        {
            // 处理奇异矩阵等情况
            throw new InvalidOperationException("矩阵求解失败，请检查数据分布", ex);
        }
    }
}