我有我拟合线性函数的这些数据，并且拟合决定了其他工作（没关系，不重要）。我正在使用numpy.polyfit，当我简单地包含数据和拟合程度时，它会产生这个图：
现在，拟合没问题，但普遍的共识是最佳拟合线被其上方的那些红色数据点所扭曲，我实际上应该拟合它下方的数据，形成一个很好的线性形状（从那个拥挤的地方开始一团蓝点）。因此，我尝试在对 的调用中添加权重polyfit，并选择了 1/sqrt(y 值) 的任意权重，因此基本上较小的 y 值将被更有利地加权。这给出了以下内容：
诚然哪个更好，但我仍然不满意，因为现在看来这条线太低了。理想情况下，我想要一个中间立场，但由于我选择了一个任意的权重，我想知道一般来说是否有一种方法可以使用 Python 执行更稳健的拟合，或者即使这可以使用polyfit? 如果可行，使用单独的包也可以。
statsmodels 具有强大的线性估计器 RLM，具有各种权重函数，在这种情况下应该可以很好地工作。
http://www.statsmodels.org/dev/generated/statsmodels.robust.robust_linear_model.RLM.html http://www.statsmodels.org/dev/examples/index.html#robust
这些是 M 估计量，对“y 异常值”具有鲁棒性，但对具有影响的异常回归量的“x 异常值”则不具有鲁棒性。
这个问题与编程或python并没有太大关系，更多的是与统计或线性代数有关。
您可以尝试查看最佳拟合线或最佳拟合二次曲线之间的误差差异，看看哪个误差较小。但很多都是上下文相关的。
如果您有 500 个数据点，那么您可以找到一个 500 阶多项式来对数据集进行零误差建模。但是，如果您对数据点进行加权，那么它需要对数据有意义。
如果你想让你最合适的线条“看起来正确”，那么只需剪掉前戏并将它画在你想要的地方。如果您希望它有意义，请向数学家询问一个有意义的公式，然后遵循它。