Eigen库实战：5分钟搞定C++多项式曲线拟合（附完整代码）

从原理到实战：用Eigen库在C++中实现高效多项式曲线拟合

在数据处理、信号分析乃至自动驾驶的轨迹规划中，我们常常面对一堆离散的数据点，心中却渴望找到一条光滑的曲线来揭示其背后的规律。对于C++开发者而言，手动推导并实现一套稳健的拟合算法既耗时又容易出错。幸运的是，我们并非孤军奋战。Eigen库，这个以高性能和优雅API著称的线性代数模板库，能将复杂的矩阵运算化为简洁的几行代码，让多项式曲线拟合从数学难题变成工程实践中的“快刀斩乱麻”。本文将带你深入最小二乘法的核心，并手把手教你用Eigen库，在几分钟内构建起从数据预处理到结果可视化的完整拟合流程。

1. 理解核心：最小二乘法与多项式拟合的数学本质

当我们谈论“拟合”一条曲线时，本质上是在寻找一个函数，使得这个函数在给定数据点上的预测值，与真实观测值之间的总体差异最小。最小二乘法 正是实现这一目标的经典且强大的工具。它的思想直观而深刻：不去追求曲线完美穿过每一个点（这在有噪声的数据中既不现实也容易过拟合），而是最小化所有数据点的预测误差的平方和。

假设我们有一组观测数据点 $(x_i, y_i), i=1,...,m$，我们想用一个 $n$ 阶多项式来近似描述它们的关系： $$ f(x) = \theta_0 + \theta_1 x + \theta_2 x^2 + ... + \theta_n x^n $$ 其中 $\theta_0, \theta_1, ..., \theta_n$ 就是我们要求解的多项式系数。

对于第 $i$ 个数据点，预测误差为 $e_i = f(x_i) - y_i$。最小二乘法的目标函数就是所有误差的平方和： $$ S(\boldsymbol{\theta}) = \sum_{i=1}^{m} e_i^2 = \sum_{i=1}^{m} [f(x_i) - y_i]^2 $$ 我们的任务就是找到一组系数 $\boldsymbol{\theta}$，使得 $S(\boldsymbol{\theta})$ 的值最小。

提示：为什么是平方和而不是绝对值和？平方项使得目标函数处处可导，便于使用微积分工具求解；同时它对大的误差给予更大的惩罚，使拟合结果对异常值不那么敏感，但也更倾向于让曲线“迁就”离群点。

将多项式表达式代入目标函数，问题就转化为一个关于系数向量 $\boldsymbol{\theta}$ 的多元函数求极值问题。通过对每个 $\theta_j$ 求偏导并令其为零，我们可以推导出著名的正规方程。而用矩阵语言来表达，会让整个过程变得异常清晰和易于计算。

定义设计矩阵（或称范德蒙矩阵）$\mathbf{X}$ 为：

// 假设有 m 个数据点，拟合 n 阶多项式
// 矩阵 X 的大小为 m x (n+1)
X(i, j) = pow(x_i, j); // 第i行，第j列，j从0到n

令 $\mathbf{y}$ 是所有 $y_i$ 构成的列向量，$\boldsymbol{\theta}$ 是系数向量。那么，所有数据点的预测值构成的向量就是 $\mathbf{X}\boldsymbol{\theta}$，误差向量为 $\mathbf{X}\boldsymbol{\theta} - \mathbf{y}$。误差平方和可以写成矩阵形式： $$ S(\boldsymbol{\theta}) = (\mathbf{X}\boldsymbol{\theta} - \mathbf{y})^T (\mathbf{X}\boldsymbol{\theta} - \mathbf{y}) $$ 通过矩阵求导（或几何投影观点）可以证明，使得 $S(\boldsymbol{\theta})$ 最小的解满足： $$ \mathbf{X}^T \mathbf{X} \boldsymbol{\theta} = \mathbf{X}^T \mathbf{y} $$ 这就是我们需要求解的线性方程组。只要 $\mathbf{X}^T \mathbf{X}$ 可逆，解为： $$ \boldsymbol{\theta} = (\mathbf{X}^T \mathbf{X})^{-1} \mathbf{X}^T \mathbf{y} $$ 至此，一个非线性的曲线拟合问题，被巧妙地转化为了一个线性代数中的矩阵求解问题。接下来，就是让Eigen库大显身手的时候了。

2. Eigen库快速上手：你的线性代数瑞士军刀

Eigen 是一个纯头文件的C++模板库，这意味着你不需要编译复杂的二进制库，只需在项目中包含正确的头文件路径即可。它专注于提供高性能的矩阵、向量运算以及各类线性代数算法（如分解、求解）。对于我们的拟合任务，它提供了近乎“一站式”的解决方案。

安装与配置 在大多数Linux发行版上，可以通过包管理器安装：

sudo apt-get install libeigen3-dev  # Ubuntu/Debian

安装后，头文件通常位于 /usr/include/eigen3。在CMake项目中，你可以使用 find_package(Eigen3 REQUIRED) 和 target_include_directories(... ${EIGEN3_INCLUDE_DIRS}) 来链接。对于简单的测试，直接包含头文件即可：

#include <iostream>
#include <Eigen/Dense> // 核心的稠密矩阵运算模块

int main() {
    Eigen::MatrixXd A(2,2); // 动态大小的双精度矩阵
    A << 1, 2,
         3, 4;
    Eigen::VectorXd b(2);
    b <&