实验要求： 1. 生成数据，加入噪声； 2. 用高阶多项式函数拟合曲线； 3. 用解析解求解两种loss的最优解（无正则项和有正则项） 4. 优化方法求解最优解（梯度下降，共轭梯度）； 5. 用你得到的实验数据，解释过拟合。 6. 用不同数据量，不同超参数，不同的多项式阶数，比较实验效果。 7. 语言不限，可以用matlab，python。求解解析解时可以利用现成的矩阵求逆。梯度下降，共轭梯度要求自己求梯度，迭代优化自己写。不许用现成的平台，例如pytorch，tensorflow的自动微分工

sklearn0.19中文文档 PDF格式高清。 .1. 广义线性模型 1.1.1. 普通最小二乘法 1.1.1.1. 普通最小二乘法复杂度 1.1.2. 岭回归 1.1.2.1. 岭回归的复杂度 1.1.2.2. 设置正则化参数：广义交叉验证 1.1.3. Lasso 1.1.3.1. 设置正则化参数 1.1.3.1.1. 使用交叉验证 1.1.3.1.2. 基于信息标准的模型选择 1.1.3.1.3. 与 SVM 的正则化参数的比较 1.1.4. 多任务 Lasso 1.1.5. 弹性网络

自己用Python写的正弦拟合程序，下载就可以使用，采用最小二乘拟合，方便快捷，就是你想要的那种。拟合毕竟是拟合，会与实际值有所偏差，但是非常实用。只需要输入x,y序列和角频率就可以了。