嘿，这个问题我太熟悉了！其实根本不是多项式拟合的计算出了问题，而是你绘图的逻辑踩坑了😎

问题根源 #

• 多项式回归的拟合计算本身和X的顺序毫无关系——只要你保证每个X值和对应的Y值是配对的，哪怕X乱得一塌糊涂，拟合出来的系数都是正确的。
• 你看到的“曲线不对”，本质是绘制拟合曲线时的顺序错误：如果直接用原始无序的X去计算拟合值，然后按原始X的顺序把点连起来，就会因为X的数值跳来跳去，导致线条在坐标系里来回乱窜，看起来完全不是多项式该有的平滑样子。

举个简单例子：假设你的X是[5,1,3]，对应Y是[3,2,4]，要是直接用这个X顺序画拟合线，就会从x=5跳到x=1再跳到x=3，线条肯定是歪歪扭扭的，但拟合出来的系数其实是对的！

解决步骤（以scikit-learn为例） #

1. 保证拟合过程的正确性 #

拟合的时候绝对不能动X和Y的配对关系，直接用原始的无序X生成多项式特征就行，代码大概是这样：

import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures

# 你的原始无序X和对应Y
X = np.array([5, 1, 3]).reshape(-1, 1)
Y = np.array([3, 2, 4])

# 生成多项式特征（这里以2次为例，你可以改degree值）
poly_transformer = PolynomialFeatures(degree=2)
X_poly = poly_transformer.fit_transform(X)

# 拟合模型——这里X是无序的，但配对关系正确，系数完全没问题
model = LinearRegression()
model.fit(X_poly, Y)

2. 修正绘图逻辑，生成平滑曲线 #

绘图的时候，要自己生成一组有序的X取值范围（从原始X的最小值到最大值，取足够多的点保证平滑），再用模型计算这些有序X对应的拟合值，最后连线：

import matplotlib.pyplot as plt

# 生成有序的X序列，比如从X的最小到最大，取100个点（点越多曲线越平滑）
X_sorted_plot = np.linspace(X.min(), X.max(), 100).reshape(-1, 1)
# 把有序X转换成多项式特征
X_sorted_poly = poly_transformer.transform(X_sorted_plot)
# 计算拟合值
Y_fit = model.predict(X_sorted_poly)

# 绘制原始数据点 + 平滑拟合曲线
plt.scatter(X, Y, label='原始数据点')
plt.plot(X_sorted_plot, Y_fit, color='red', linewidth=2, label='多项式拟合曲线')
plt.legend()
plt.show()

关键提醒 #

• ❌ 绝对不要在拟合前给X排序然后和原始Y配对！这样会彻底破坏X和Y的对应关系，导致拟合出来的系数完全错误。拟合必须用原始的(X,Y)对，只有绘图的时候才用有序X来生成平滑曲线。
• 如果你之前的代码是直接用原始无序X计算拟合值后连线，那出现混乱线条是必然的——这是绘图逻辑的问题，不是拟合算法的问题。

内容的提问来源于stack exchange，提问作者Aleksandar Beat