已有多项式回归y值预测函数，如何实现未来x值预测？

你现有的predict_y是用三次多项式拟合x和y，得到模型y = P(x)。要预测对应某个y值的x，本质是解多项式方程 P(x) = target_y，也就是求P(x) - target_y = 0的根。

实现步骤 #

1. 复用原有的拟合逻辑，得到多项式模型my_model
2. 构造新的多项式：my_model - target_y，将原方程转化为求根问题
3. 用numpy的roots方法求解该多项式的根
4. 根据实际业务场景（比如你的x是时间，需要是实数且在合理范围内）筛选有效的x值

完整代码实现 #

import numpy

def predict_x(target_y):
    """根据目标y值，预测对应的x值（基于三次多项式回归）"""
    # 原始数据集
    x = [1, 2, 3, 5, 6, 7, 8, 9, 10, 12, 13, 14, 15, 16, 18, 19, 21, 22]
    y = [100, 90, 80, 60, 60, 55, 60, 65, 70, 70, 75, 76, 78, 79, 90, 99, 99, 100]
    
    # 拟合三次多项式模型
    my_model = numpy.poly1d(numpy.polyfit(x, y, 3))
    # 构造方程：my_model(x) = target_y → my_model(x) - target_y = 0
    equation = my_model - target_y
    # 求解方程的根
    roots = numpy.roots(equation)
    
    # 筛选有效的实根（排除复数根，且x在原始数据的合理范围内）
    valid_x = []
    for root in roots:
        # 检查是否为实数（虚部绝对值极小视为实数）
        if numpy.isreal(root):
            real_x = numpy.real(root)
            # 筛选在原始x的取值区间内的x（比如1到22之间）
            if min(x) <= real_x <= max(x):
                valid_x.append(round(real_x, 2))
    
    print(f"对应y={target_y}的有效x值：", valid_x)
    return valid_x

# 示例调用：预测y=80对应的x
predict_x(80)

注意事项 #

• 三次多项式可能有1到3个实根，需要根据你的业务场景（比如x是时间，必须是正数且在合理区间）筛选结果
• 如果目标y超出了原始y数据的取值范围（比如远大于100或远小于55），得到的x可能没有实际意义，属于外推预测，误差会较大

内容的提问来源于stack exchange，提问作者charlie s