C#实战：如何用最小二乘法实现两组数据的二次函数拟合

1次阅读

共计 1785 个字符，预计需要花费 5 分钟才能阅读完成。

在工程和科学计算中，我们经常需要将实验数据拟合成数学模型。比如，传感器校准需要建立输入输出之间的数学关系，市场趋势预测需要根据历史数据建立预测模型。对于二次函数拟合，手动计算系数（a, b, c）非常复杂，特别是当数据点很多时，容易出错且效率低下。

MathNet.Numerics 是一个强大的数学计算库，提供了现成的多项式拟合方法。

优点：代码简洁，易于使用，适合快速开发
缺点：灵活性较低，对特殊情况的处理有限

手动实现基于矩阵运算的最小二乘法。

优点：灵活性高，可以处理特殊情况
缺点：代码复杂度高，需要数学基础

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

public class QuadraticFit
{public static (double a, double b, double c) FitWithMathNet(double[] x, double[] y)
    {if (x.Length != y.Length || x.Length < 3)
            throw new ArgumentException("至少需要 3 个数据点");

        // 使用二次多项式拟合
        var coefficients = Fit.Polynomial(x, y, 2);
        return (coefficients[2], coefficients[1], coefficients[0]);
    }
}

using MathNet.Numerics.LinearAlgebra;

public class ManualQuadraticFit
{public static (double a, double b, double c) ManualFit(double[] x, double[] y)
    {if (x.Length != y.Length || x.Length < 3)
            throw new ArgumentException("至少需要 3 个数据点");

        // 构建设计矩阵
        var designMatrix = Matrix<double>.Build.Dense(x.Length, 3, (i, j) => 
            j == 0 ? 1 : (j == 1 ? x[i] : Math.Pow(x[i], 2)));

        // 构建观测值向量
        var observationVector = Vector<double>.Build.Dense(y);

        // 使用最小二乘法求解
        var coefficients = designMatrix.TransposeThisAndMultiply(designMatrix)
            .Inverse() * designMatrix.TransposeThisAndMultiply(observationVector);

        return (coefficients[2], coefficients[1], coefficients[0]);
    }
}

数据点数量不足：至少需要 3 个点才能拟合二次函数
矩阵病态问题：当数据点过于集中时，矩阵可能不可逆
浮点数精度 ：使用double 而非float，必要时使用高精度库

public static double CalculateRSquared(double[] x, double[] y, double a, double b, double c)
{double yMean = y.Average();
    double ssTotal = y.Sum(yi => Math.Pow(yi - yMean, 2));
    double ssResidual = y.Sum((yi, i) => Math.Pow(yi - (a * x[i] * x[i] + b * x[i] + c), 2));

    return 1 - (ssResidual / ssTotal);
}

使用 BenchmarkDotNet 进行性能对比测试，通常 MathNet 的优化实现会比手动实现快 20-30%。