np.polyfit线性回归截距计算值与绘图结果不匹配问题

算力阿峰

2026-8-27

问题原因

你对线性回归截距的定义存在认知错误：一元线性回归公式 y = 斜率*x + 截距 中，截距是x=0时模型的预测y值，不是你的数据集x取值范围左边界对应的y值。
你的x数据全部落在2.2~4.6区间内，默认绘图的x轴也只展示这个范围，根本没有显示x=0的位置，你肉眼判断的“截距约为2.2”，实际是拟合线在x≈2.2（数据集x最小值处）的预测y值。手动验算即可验证：拟合得到斜率≈0.4338，截距≈1.1023，代入x=2.25（数据集最小x值），得到预测y≈0.4338*2.25 + 1.1023≈2.08，和你的视觉判断基本吻合，计算结果没有问题。
绘图方式存在误导：你用plt.plot(x_to_plot, y_to_plot, marker="o")绘制原始数据，该方法会按数组元素的存储顺序逐点连线，不会自动对x排序，最终画出的是杂乱的折线而非散点分布，严重干扰你对趋势和拟合线位置的判断。
调整plt.ylim()无效是正常的：问题和y轴范围无关，本质是x轴未覆盖x=0区间，加上错误的绘图方式导致视觉误判。
额外小问题：代码里斜率的变量名拼写错误（scolpe应为slope），不影响当前运行，但属于不规范写法。

修正方案

原始观测值改用散点图绘制，避免乱序折线干扰判断
生成连续、排序后的x序列绘制拟合线，保证拟合线显示平滑正确
若需要直观看到截距位置，将x轴范围调整为包含0的区间

修正后的可运行代码：

import numpy as np
import matplotlib.pyplot as plt

x_to_plot = np.array([3.1685206 , 2.25510996, 2.96102541, 2.88536998, 3.19026643,
                      3.35665069, 3.62661427, 3.19285197, 2.57931189, 3.14756505,
                      3.99712702, 4.08227484, 3.14058442, 4.4395179 , 3.8499418 ,
                      3.812325  , 3.9126594 , 3.85465249, 4.57109736, 4.25932984,
                      4.07329771, 3.48126781, 3.39053495, 4.00443561, 3.38871004,
                      3.88689312, 4.39439235, 3.73192345, 3.07600559, 4.02592055,
                      3.66448407, 3.62788865, 3.12075542, 3.67316965, 3.59271334,
                      4.22789875, 3.7891345 , 4.36675152, 3.45593254, 2.6429717 ,
                      3.25813122])

y_to_plot = np.array([2.2       , 2.27      , 2.4       , 2.36      , 2.44      ,
                      2.67      , 3.11      , 3.11      , 2.19      , 2.77      ,
                      3.3       , 3.14      , 2.63      , 2.59549622, 3.05728564,
                      2.73239376, 3.12319808, 2.72835378, 3.4476231 , 3.1693805 ,
                      3.16375752, 2.84571802, 2.89486966, 2.96801571, 2.90254678,
                      3.03100428, 3.14612804, 2.97726621, 2.8785218 , 3.20628604,
                      2.50650503, 2.53275438, 2.59106461, 3.00043408, 2.76715587,
                      3.01283722, 2.36172784, 3.31868927, 2.65896484, 2.0211893 ,
                      2.93399316])
# 线性拟合
fit = np.polyfit(x_to_plot, y_to_plot, 1)
slope = fit[0]
intercept = fit[1]
# 生成排序后的连续x序列绘制拟合线
x_fit = np.linspace(0, 5, 100)
y_fit = slope * x_fit + intercept

# 绘图
plt.figure(figsize=(8,5))
plt.xlabel("log10(X)")
plt.ylabel("log10(Y)")
# 原始数据用散点展示
plt.scatter(x_to_plot, y_to_plot, label="观测值")
# 绘制拟合线
plt.plot(x_fit, y_fit, "--k", label=f"拟合线: y={slope:.3f}x + {intercept:.3f}")
# 标记截距位置
plt.scatter(0, intercept, c="red", s=80, zorder=5, label=f"截距点 (0, {intercept:.3f})")
plt.xlim(0, 5)
plt.legend()
plt.grid(alpha=0.3)
plt.show()

运行修正后的代码可以直观看到，x=0处的截距值和np.polyfit计算的1.102完全一致，不存在计算错误。

内容的提问来源于stack exchange，提问作者Juksay