使用polyfit拟合7次多项式时出现Polynomial is badly conditioned警告的原因咨询

先还原下你的操作场景：
你的输入数据是：

x = [0 5 10 15 20 25 30 35].'; 
y = [72.3 73.6 75.1 77.0 77.6 77.9 79.2 80.4].';

执行拟合代码：

pg7 = polyfit(x,y,7);

随后收到警告：

Warning: Polynomial is badly conditioned. Add points with distinct X values, reduce the degree of the polynomial, or try centering and scaling as described in HELP POLYFIT.

警告产生的原因 #

这个警告本质是多项式拟合的数值病态问题，具体来说有两个核心因素：

1. 数据点数量与多项式次数匹配度过高：你用8个数据点去拟合7次多项式，刚好是“完全插值”的情况——7次多项式理论上可以精准穿过所有8个点，但这种拟合的系数矩阵条件数极大。简单讲就是，x的微小波动会导致多项式系数出现巨幅变化，拟合结果的稳定性极差，泛化能力几乎为零，稍微换个x值预测y就会偏差到离谱。
2. 高次项数值量级悬殊：你的x范围是0到35，计算x^{7的时候数值会达到非常大的量级（比如35}7已经是约6.4e10），而低次项（比如x^0就是1）的数值量级和高次项差了好几个数量级，这种差异会让计算过程中的舍入误差被急剧放大，进一步加剧了数值计算的不稳定性。

可行的解决办法 #

• 降低多项式次数（最推荐）：高次多项式很容易出现过拟合，反而失去了拟合的实际意义。你可以先尝试2次、3次这类低次多项式，看看拟合效果是否能满足需求。示例代码：

  pg2 = polyfit(x,y,2); % 拟合2次多项式
  

• 补充更多数据点：如果业务场景确实需要高次拟合，那就得增加更多不同x值对应的y数据，让数据点数量远大于多项式次数，这样能有效降低系数矩阵的条件数，提升计算稳定性。
• 对数据进行中心化/标准化处理：polyfit自带了处理参数，你可以通过'centered'或'scaled'选项对x数据做转换，把x调整为均值为0、标准差为1的标准化数据，缩小不同次项的数值量级差异，改善病态性。注意用polyval预测时要带上返回的mu参数来还原数据，示例：

  [pg7,~,mu] = polyfit(x,y,7,'scaled');
  y_pred = polyval(pg7,x,mu); % 基于标准化参数做预测
  

内容的提问来源于stack exchange，提问作者user9823615