1. 项目概述：为什么拟合是预测模型的基石
如果你正在准备数模竞赛，或者刚刚开始接触数据分析，那么“拟合”这个词你一定不陌生。但很多人对它的理解，可能还停留在“用一条线把散点连起来”的层面。实际上，拟合是连接数据与模型、过去与未来的核心桥梁，尤其是在预测模型中，它的地位无可替代。简单来说，拟合就是根据已知的数据点，找到一个数学函数（模型），使得这个函数能最好地“贴合”这些数据。这个“最好”的标准，就是我们常听到的“最小二乘法”等准则。在数模竞赛中，无论是预测明天的销售额、未来的人口趋势，还是复杂的物理系统行为，第一步往往就是找到一个合适的函数去描述现有数据的规律，然后才能基于这个规律进行外推预测。
我见过很多新手队伍，拿到数据后直接套用复杂的机器学习算法，结果往往不尽如人意。原因就在于他们跳过了“理解数据内在规律”这一步，而拟合正是帮助我们完成这一步的关键工具。从简单的线性回归到复杂的非线性函数拟合，再到基于树模型的梯度提升（如XGBoost），其底层思想一脉相承。本篇内容，我将以“从零开始”的视角，带你深入理解拟合方法的原理、实现和避坑指南，重点使用Matlab和Python作为工具，因为它们在科学计算和数模竞赛中应用最为广泛。无论你是数模新手，还是希望巩固基础的进阶者，相信这篇结合了原理与实战经验的长文都能让你对“预测模型”的起点有全新的认识。
2. 拟合方法的核心思想与模型选型逻辑
2.1 拟合的本质：在误差与复杂度之间寻找平衡
拟合不是追求完美地穿过每一个数据点，那叫插值，而且极易导致“过拟合”——模型在训练数据上表现完美，但对新数据的预测能力极差。拟合的核心思想是用一个相对简单的模型，去捕捉数据背后主要的、稳定的趋势。这里就引出了两个关键概念：误差（Error）和模型复杂度（Complexity）。
我们通过最小化误差（如最小二乘法最小化残差平方和）来让模型贴近数据。但同时，模型复杂度越高（比如多项式次数越高），其“弯曲”能力越强，越能贴近复杂的数据分布，但也越容易受到数据中噪声的干扰，学到一些非普适的、偶然的规律。因此，所有拟合方法都在做一件事：在拟合误差与模型复杂度之间进行权衡（Bias-Variance Tradeoff）。一个优秀的拟合模型，应该能在保证足够低误差的同时，尽可能保持简洁。
注意：在数模竞赛中，评判一个拟合模型的好坏，绝不能只看它在训练数据上的“拟合优度R²”。一定要预留一部分数据作为验证集，或者使用交叉验证，来评估其泛化能力。否则，你可能会提交一个“纸上谈兵”的完美模型，实际预测却一塌糊涂。
2.2 常见拟合模型类型及其适用场景
面对一堆数据，选择哪种函数形式来拟合，这是第一个关键决策。这里没有银弹，需要根据数据特征和问题背景来判断。
1. 线性拟合这是最简单、最基础的拟合方法，模型形式为 y = ax + b。它适用于两个变量之间存在明显一次方关系的情况。在Matlab中，polyfit(x, y, 1)就能轻松实现。虽然简单，但千万不要轻视它。在很多情况下，经过适当的变量变换（如取对数），非线性关系可以转化为线性关系进行拟合。例如，指数增长关系 y = ae^(bx)，两边取对数后变为 ln(y) = ln(a) + bx，就可以用线性拟合来求解参数 ln(a) 和 b。
2. 多项式拟合模型形式为 y = a_nx^n + ... + a_1x + a_0。Matlab的polyfit(x, y, n)可以指定阶数n。多项式拟合能力很强，但随着阶数n升高，风险急剧增加。我个人的经验法则是：在可视化数据散点图后，从低阶（如2、3阶）开始尝试，阶数最好不要超过5-6。你可以画出不同阶数下的拟合曲线，观察其在数据稀疏区域是否出现不合理的剧烈震荡（Runge现象），这是过拟合的典型标志。
3. 非线性拟合当数据关系无法通过变量变换转为线性时，就需要非线性拟合。例如生物领域的生长曲线（Logistic函数）、物理领域的衰减振荡等。Matlab中可使用fit函数或lsqcurvefit函数。其核心是提供初始参数猜测，然后通过迭代算法（如Levenberg-Marquardt）寻找最优解。这里最大的“坑”就是初始值的选择，选不好会导致算法不收敛或收敛到局部最优解，而非全局最优。我的技巧是：先根据数据范围和函数形态，手动估算一个大概的参数范围作为初始值。
4. 基于机器学习的拟合方法（如XGBoost回归）对于高维、非线性、特征间存在复杂交互关系的数据，传统参数化模型可能力不从心。这时，像XGBoost这类梯度提升树模型就显示出强大优势。它属于非参数模型，不预设具体的函数形式，而是通过集成多个弱决策树来逼近任意复杂的函数关系。在Python中，xgboost库可以方便调用。它的优势在于能自动处理特征交互、非线性关系，且对缺失值不敏感，内置正则化防止过拟合。但切记，它虽然强大，可解释性却远不如一个简单的线性公式。在数模论文中，如果你用了XGBoost，需要花更多篇幅来解释特征重要性等信息。
2.3 模型选型实战心法
面对具体问题，我通常遵循以下流程：
- 可视化先行：无论如何，先画出散点图（或散点图矩阵）。肉眼是最高效的模式识别工具，能直观判断趋势是线性、周期性、指数增长还是饱和增长。
- 背景知识引导：结合题目背景。预测人口？想想Logistic模型；预测放射性物质衰减？指数衰减模型是首选。让物理意义、经济意义指导你的模型选择，而不是单纯看曲线形状。
- 从简到繁：永远优先尝试最简单的模型（如线性）。如果简单模型的性能（在验证集上）可接受，就绝不使用复杂模型。奥卡姆剃刀原理在模型选择中永远有效。
- 定量评估：使用均方误差（MSE）、平均绝对误差（MAE）、决定系数R²等指标，在验证集上对比不同模型的性能。同时观察残差图，理想的残差应该随机分布，无任何模式。如果残差呈现漏斗形或曲线形，说明模型可能遗漏了某个非线性因素。
3. 核心工具详解：Matlab与Python中的拟合实现
3.1 Matlab拟合工具箱：从快速入门到精准控制
Matlab在拟合方面提供了从高阶自动化函数到底层优化算法的完整工具链，非常适合快速原型开发和算法理解。
快速上手：polyfit与polyval对于多项式拟合，这是最经典的组合。
% 示例：二次多项式拟合 x = [1:0.5:10]'; y = 2*x.^2 - 3*x + 1 + randn(size(x))*2; % 生成带噪声的二次数据 p = polyfit(x, y, 2); % p是多项式系数，从高次到低次排列 y_fit = polyval(p, x); % 用拟合出的多项式计算拟合值 % 绘图对比 figure; scatter(x, y, 'b', 'DisplayName', '原始数据'); hold on; plot(x, y_fit, 'r-', 'LineWidth', 2, 'DisplayName', '二次拟合'); legend; xlabel('x'); ylabel('y'); title('多项式拟合示例');polyfit内部使用的就是最小二乘法。第三个参数是多项式阶数。实操心得：调用polyfit后，建议用[y_fit, delta] = polyval(p, x, S)格式，其中S是polyfit的可选输出，用于计算预测区间。delta给出了在特定置信水平下（默认95%）的预测误差估计，这对于评估预测的不确定性至关重要，在数模论文中是非常好的分析点。
非线性拟合利器：fit函数与fittype对于自定义的非线性模型，fit函数非常强大。
% 示例：拟合指数衰减模型 y = a * exp(-b*x) x = linspace(0, 10, 100)'; y = 5 * exp(-0.3*x) + randn(size(x))*0.2; % 生成带噪声的指数衰减数据 % 定义拟合模型类型 ft = fittype('a*exp(-b*x)', 'independent', 'x', 'dependent', 'y'); % 设置初始值（关键步骤！） opts = fitoptions(ft); opts.StartPoint = [4, 0.5]; % 根据数据大致猜测的初始值 [a, b] % 执行拟合 [fitresult, gof] = fit(x, y, ft, opts); % 查看结果 disp(fitresult); % 显示拟合出的参数 a, b disp(gof); % 显示拟合优度统计量，如 SSE, R-square % 绘图 figure; plot(fitresult, x, y); legend('数据', '拟合曲线');注意事项：fittype中的模型表达式必须使用x作为自变量名（或在'independent'中指定），a,b等作为待估参数。初始值StartPoint的选择直接影响拟合成败。如果拟合不收敛或结果不合理，首先应该调整初始值。
底层控制：lsqcurvefit与fminsearch当需要更多控制权，或拟合自定义的复杂误差函数时，可以使用优化工具箱的lsqcurvefit。
% 使用 lsqcurvefit 拟合相同指数模型 model = @(p, x) p(1)*exp(-p(2)*x); % 匿名函数定义模型，p(1)=a, p(2)=b p0 = [4, 0.5]; % 初始猜测 lb = [0, 0]; % 参数下界（例如，衰减系数b应为正数） ub = [inf, inf]; % 参数上界 [p_opt, resnorm] = lsqcurvefit(model, p0, x, y, lb, ub);lsqcurvefit的优势在于可以方便地设置参数约束（lb,ub），这在许多物理模型中非常必要（例如，质量、浓度不能为负）。resnorm是残差平方和，可以用来比较不同模型的拟合效果。
3.2 Python科学计算栈：灵活与强大的结合
Python凭借NumPy,SciPy,scikit-learn和statsmodels等库，在拟合和预测建模方面同样极其强大，且在集成机器学习模型时更为流畅。
基础拟合：NumPy与SciPynumpy.polyfit的功能与Matlab的polyfit几乎一致。
import numpy as np import matplotlib.pyplot as plt # 生成数据 x = np.arange(1, 10.5, 0.5) y = 2*x**2 - 3*x + 1 + np.random.randn(len(x)) * 2 # 多项式拟合 p = np.polyfit(x, y, 2) # p是系数，从高次到低次 y_fit = np.polyval(p, x) # 绘图 plt.scatter(x, y, label='原始数据') plt.plot(x, y_fit, 'r-', linewidth=2, label='二次拟合') plt.xlabel('x'); plt.ylabel('y') plt.legend() plt.title('NumPy多项式拟合示例') plt.show()对于非线性拟合，scipy.optimize.curve_fit是首选，它类似于Matlab的lsqcurvefit。
from scipy.optimize import curve_fit # 定义目标函数 def exp_decay(x, a, b): return a * np.exp(-b * x) # 生成数据 x = np.linspace(0, 10, 100) y = 5 * np.exp(-0.3 * x) + np.random.randn(len(x)) * 0.2 # 执行拟合，popt是最优参数，pcov是参数的协方差矩阵（可用于计算标准差） popt, pcov = curve_fit(exp_decay, x, y, p0=[4, 0.5]) a_opt, b_opt = popt print(f"拟合参数: a={a_opt:.3f}, b={b_opt:.3f}") # 计算参数的标准误差 perr = np.sqrt(np.diag(pcov)) print(f"参数标准误差: a_err={perr[0]:.3f}, b_err={perr[1]:.3f}")关键技巧：curve_fit返回的pcov（参数的协方差矩阵）非常有用。其对角线元素的平方根就是各个参数的标准误差，这为你在论文中分析参数的显著性（例如，构建参数的置信区间）提供了直接依据。这是很多新手会忽略的宝贵信息。
统计建模：statsmodels库当需要进行更严格的统计分析，如假设检验、查看详细的回归报告时，statsmodels是专业的选择。
import statsmodels.api as sm # 为线性回归添加常数项（截距） X = sm.add_constant(x) # X 变成了两列：[1, x] model = sm.OLS(y, X) # 普通最小二乘 results = model.fit() print(results.summary()) # 打印出非常详细的回归分析报告这份报告会包含系数估计值、标准误差、t统计量、P值（用于检验系数是否显著不为零）、R²、调整R²、F统计量等。在需要严谨论证模型有效性的数模论文中，这些统计指标能极大增强说服力。
高级拟合/预测：scikit-learn与XGBoost对于更复杂的、特征工程后的数据集，可以无缝接入机器学习流程。
from sklearn.linear_model import LinearRegression from sklearn.preprocessing import PolynomialFeatures from sklearn.pipeline import make_pipeline from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error # 假设已有特征X_data和目标y_data X_train, X_val, y_train, y_val = train_test_split(X_data, y_data, test_size=0.2, random_state=42) # 构建一个多项式回归管道（先构造多项式特征，再进行线性回归） degree = 2 model = make_pipeline(PolynomialFeatures(degree), LinearRegression()) model.fit(X_train, y_train) # 预测与评估 y_pred = model.predict(X_val) mse = mean_squared_error(y_val, y_pred) print(f"验证集均方误差(MSE): {mse:.4f}")而对于XGBoost回归：
import xgboost as xgb # 创建DMatrix数据格式，提升效率 dtrain = xgb.DMatrix(X_train, label=y_train) dval = xgb.DMatrix(X_val, label=y_val) # 设置参数 params = { 'objective': 'reg:squarederror', # 回归任务，使用平方误差 'max_depth': 4, # 树的最大深度，控制复杂度 'eta': 0.1, # 学习率 'subsample': 0.8, # 每棵树随机采样的样本比例 'colsample_bytree': 0.8, # 每棵树随机采样的特征比例 'seed': 42 } num_rounds = 100 # 训练模型，并指定验证集用于早停（防止过拟合） evals = [(dtrain, 'train'), (dval, 'eval')] bst = xgb.train(params, dtrain, num_rounds, evals=evals, early_stopping_rounds=10, verbose_eval=False) # 进行预测 y_pred_xgb = bst.predict(dval)XGBoost使用心得：
eta（学习率）和max_depth是最关键的两个参数。通常从一个较小的eta（如0.1）和中等max_depth（如4-6）开始。- 务必使用验证集和
early_stopping_rounds。它会监控验证集性能，若连续多轮不再提升则停止训练，这是防止过拟合最有效的手段之一。 - 训练后，可以用
bst.feature_importances_查看特征重要性，这对于解释模型和特征筛选非常有帮助。
4. 拟合全流程实战：以销售预测为例
让我们通过一个模拟的“月度销售额预测”案例，将上述知识串联起来，展示从数据探索到模型评估的完整流程。假设我们有一家店铺24个月的销售额数据，以及可能的广告投入、节假日标记等特征。
4.1 数据探索与可视化
第一步永远是看数据。我们用Python的pandas和matplotlib来完成。
import pandas as pd import matplotlib.pyplot as plt import seaborn as sns # 假设df是包含'月份','销售额','广告投入','是否节假日'等列的DataFrame print(df.head()) print(df.describe()) # 绘制销售额时间序列图 plt.figure(figsize=(12, 4)) plt.plot(df['月份'], df['销售额'], marker='o') plt.xlabel('月份') plt.ylabel('销售额') plt.title('月度销售额趋势') plt.grid(True) plt.show() # 查看销售额与广告投入的散点图 plt.figure(figsize=(6, 4)) plt.scatter(df['广告投入'], df['销售额']) plt.xlabel('广告投入') plt.ylabel('销售额') plt.title('销售额 vs 广告投入') plt.show() # 计算相关系数矩阵 corr_matrix = df[['销售额', '广告投入', '是否节假日']].corr() sns.heatmap(corr_matrix, annot=True, cmap='coolwarm') plt.title('特征相关系数热力图') plt.show()通过可视化，我们可能发现销售额存在明显的上升趋势和季节性波动（例如每年特定月份有高峰）。广告投入与销售额呈正相关。这些观察将直接指导我们选择模型。
4.2 模型构建与尝试
基于观察，我们尝试几个模型：
模型1：简单线性趋势模型假设销售额随时间线性增长。
import numpy as np from sklearn.linear_model import LinearRegression # 将“月份”序列作为特征（可以将其数值化，如第1个月=1） X_time = df[['月份序号']] # 假设已创建此列 y = df['销售额'] model_lr = LinearRegression() model_lr.fit(X_time, y) trend_pred = model_lr.predict(X_time) # 将趋势线画在原图上 plt.plot(df['月份'], y, label='实际销售额') plt.plot(df['月份'], trend_pred, label='线性趋势', linestyle='--') plt.legend()这个模型很可能捕捉了长期增长，但忽略了季节性和其他因素，残差会呈现周期性模式。
模型2：带虚拟变量的多元线性回归引入“月份”哑变量（One-hot Encoding）来捕捉季节性，以及“广告投入”作为连续变量。
import pandas as pd from sklearn.linear_model import LinearRegression # 创建月份哑变量 (假设有12个月份类别) df_with_dummies = pd.get_dummies(df, columns=['月份'], prefix='month', drop_first=True) # drop_first避免多重共线性 # 选择特征：月份哑变量 + 广告投入 feature_cols = [col for col in df_with_dummies.columns if col.startswith('month_')] + ['广告投入'] X_multi = df_with_dummies[feature_cols] model_multi = LinearRegression() model_multi.fit(X_multi, y)这个模型同时考虑了趋势（通过月份序号的隐含趋势？这里需要明确，我们通常将时间趋势和月份哑变量分开处理）和季节性。更合理的做法是特征中同时包含“月份序号”（捕捉趋势）和“月份类别哑变量”（捕捉季节性）。
模型3：时间序列分解法（加法模型）这是一种经典方法，将时间序列分解为趋势（Trend）、季节性（Seasonality）和残差（Residual）三部分。可以使用statsmodels的seasonal_decompose。
from statsmodels.tsa.seasonal import seasonal_decompose # 需要将数据设置为时间序列索引 df['月份'] = pd.to_datetime(df['月份']) df.set_index('月份', inplace=True) # 进行分解，假设周期为12个月 result = seasonal_decompose(df['销售额'], model='additive', period=12) result.plot() plt.show()分解后，我们可以分别对趋势项和季节性项进行建模和预测，再将它们加回去。这种方法直观，但未来预测时需要分别外推趋势和季节性模式。
模型4：XGBoost回归模型将时间特征（如月份序号、月份、季度）、广告投入、节假日标记等全部作为特征，喂给XGBoost。
# 特征工程：创建更多时间特征 df['月份序号'] = range(1, len(df)+1) df['季度'] = (df['月份序号'] - 1) // 3 + 1 df['月份'] = df.index.month # 提取月份数字 # 划分训练集和验证集（注意时间序列不能随机划分！） train_size = int(len(df) * 0.8) train_df = df.iloc[:train_size] val_df = df.iloc[train_size:] X_train = train_df[['月份序号', '月份', '季度', '广告投入', '是否节假日']] y_train = train_df['销售额'] X_val = val_df[['月份序号', '月份', '季度', '广告投入', '是否节假日']] y_val = val_df['销售额'] # 训练XGBoost模型（参数需调整） import xgboost as xgb dtrain = xgb.DMatrix(X_train, label=y_train) dval = xgb.DMatrix(X_val, label=y_val) params = {'objective': 'reg:squarederror', 'max_depth': 5, 'eta': 0.05, 'subsample': 0.8} bst = xgb.train(params, dtrain, num_boost_round=200, evals=[(dval, 'eval')], early_stopping_rounds=20, verbose_eval=False)4.3 模型评估与选择
使用验证集评估各个模型。
from sklearn.metrics import mean_absolute_error, mean_squared_error models = {'线性趋势': model_lr, '多元线性': model_multi, 'XGBoost': bst} # 注意：为每个模型准备对应的验证集特征 # 对于XGBoost： y_pred_xgb = bst.predict(dval) # 对于多元线性回归： y_pred_multi = model_multi.predict(X_val[feature_cols]) # 需要确保X_val有相同的特征列 for name, pred in zip(['线性趋势', '多元线性', 'XGBoost'], [trend_pred_val, y_pred_multi, y_pred_xgb]): mae = mean_absolute_error(y_val, pred) rmse = np.sqrt(mean_squared_error(y_val, pred)) print(f"{name}模型 - MAE: {mae:.2f}, RMSE: {rmse:.2f}")通常，XGBoost会在验证集上取得最好的效果，因为它能捕捉复杂的非线性关系和交互效应。但在数模论文中，你必须解释为什么选择这个模型。不能只说“因为它误差最小”。你需要分析：XGBoost捕捉到了哪些其他模型没捕捉到的模式？特征重要性分析显示哪些因素最关键？模型的残差是否随机？只有经过这样全面的评估和解释，你的模型选择才立得住脚。
5. 避坑指南与高级技巧
5.1 拟合过程中常见的“坑”及解决方法
过拟合（Overfitting）
- 现象：模型在训练集上表现极好（R²接近1），但在验证集或新数据上表现很差。拟合曲线“完美”穿过每一个训练数据点，甚至跟随噪声剧烈波动。
- 诊断：训练误差与验证误差差距巨大。学习曲线显示随着数据量增加，验证误差居高不下。
- 解决：
- 增加数据量：最有效的方法，但在竞赛中往往不可行。
- 降低模型复杂度：减少多项式阶数、降低树模型的最大深度、增加正则化参数（如岭回归的alpha，XGBoost的gamma、lambda）。
- 使用正则化：在损失函数中加入惩罚项（L1/L2正则），迫使模型参数变小，偏好更简单的模型。
- 交叉验证：使用K折交叉验证来稳健地评估模型性能，避免因单次数据划分带来的偶然性。
欠拟合（Underfitting）
- 现象：模型在训练集和验证集上表现都不好，过于简单，无法捕捉数据中的基本模式。
- 诊断：训练误差本身就很大。拟合曲线过于平滑，与数据趋势明显不符。
- 解决：
- 增加模型复杂度：提高多项式次数、增加树模型的深度、引入更多特征或交互项。
- 减少正则化：降低正则化项的强度。
- 特征工程：创造更有信息量的特征，例如对现有特征进行组合、变换（平方、对数、分箱等）。
异方差性（Heteroscedasticity）
- 现象：残差的方差随着预测值的增大而增大或减小（在残差图上呈现漏斗形或扇形）。
- 影响：虽然参数估计仍是无偏的，但标准误差的估计不再有效，导致假设检验（如t检验）不可靠。
- 诊断：绘制残差（Residuals）与拟合值（Fitted Values）的散点图。
- 解决：
- 对因变量y进行变换：例如，如果方差随均值增大而增大，尝试对y取对数（log(y)）或平方根（sqrt(y)）进行拟合。
- 使用加权最小二乘法（WLS）：给予方差较小的观测值更大的权重。
多重共线性（Multicollinearity）
- 现象：在多元线性回归中，两个或更多自变量高度相关。这不会影响模型的整体预测能力，但会使单个自变量的系数估计非常不稳定，难以解释。
- 诊断：计算方差膨胀因子（VIF）。通常VIF > 10被认为存在严重共线性。
- 解决：
- 剔除高度相关的特征之一。
- 使用主成分回归（PCR）或岭回归（Ridge Regression），这些方法可以处理共线性问题。
- 增大样本量（但竞赛中通常无法实现）。
5.2 高级技巧与实战心得
稳健回归（Robust Regression）：当数据中存在异常值（Outliers）时，普通最小二乘法（OLS）会受到影响，因为OLS对大的残差给予非常大的权重（平方项）。稳健回归方法（如Huber损失、RANSAC算法）能降低异常值的影响。在Matlab中可以使用
robustfit，在Python的sklearn中可以使用sklearn.linear_model.HuberRegressor或sklearn.linear_model.RANSACRegressor。我的经验是，在数据清洗阶段无法完全确定某个点是否为真正的异常值时，使用稳健回归是一个更安全的选择。分位数回归（Quantile Regression）：我们通常的回归拟合的是条件均值。但有时我们更关心条件分布的其他部分，例如中位数（对异常值更稳健）或预测区间（如90%分位数）。分位数回归可以拟合出给定X下，y的不同分位数的曲线。这在金融风险（VaR）、医疗参考范围等领域非常有用。Python的
statsmodels库提供了QuantReg类。交叉验证的细节：对于时间序列数据，绝对不能使用随机划分的K折交叉验证，因为这会破坏数据的时间顺序，导致“未来”信息泄露到“过去”的训练中。应该使用时序交叉验证（Time Series Split），例如
sklearn.model_selection.TimeSeriesSplit，确保训练集始终在验证集之前。参数标准误差与置信区间：在科学和工程应用中，给出一个预测值往往不够，还需要给出这个预测的不确定性范围（置信区间或预测区间）。对于线性模型，有严格的公式可以计算。对于非线性模型或复杂模型（如XGBoost），可以使用自助法（Bootstrap）：多次重采样数据并重新拟合模型，用这些模型预测结果的分布来估计不确定性。虽然计算量大，但结果非常可靠。
模型融合（Ensemble）：在竞赛中，为了追求极致的预测精度，常常将多个不同的拟合/预测模型的结果进行融合，例如取平均值、加权平均或使用堆叠法（Stacking）。这背后的思想是，不同的模型可能在不同类型的数据子集或模式上表现更好，融合可以降低总体方差，提高鲁棒性。但切记，在论文中如果使用了融合模型，必须解释其合理性，并展示其相对于单一模型的提升。
拟合是预测建模的起点，也是决定模型上限的关键一步。它远不止于在图上画一条线，而是包含了数据理解、模型假设、算法实现、评估诊断和结果解释的完整闭环。从最简单的线性回归到复杂的集成学习，其核心思想都是寻找数据背后的规律。掌握好拟合，你就为构建任何预测模型打下了最坚实的基础。在实际操作中，我最大的体会是：永远让数据和问题背景驱动你的模型选择，而不是让炫酷的算法牵着鼻子走。一个能被清晰解释、且稳健可靠的简单模型，其价值往往超过一个精度略高但如同黑箱的复杂模型。在数模竞赛中，清晰的可解释性和严谨的评估过程，与最终的预测精度同等重要。
