多项式回归是一种广泛应用的非线性回归方法，它在线性回归的基础上引入了多项式的特征。以下是多项式回归的一些特点：
1. 非线性拟合：与线性回归只能拟合线性关系不同，多项式回归可以拟合非线性关系。通过引入多项式的高次项，我们可以建立更加灵活的模型来适应复杂的数据特征。
2. 模型灵活性：多项式回归模型相对于线性回归模型更灵活，能够捕捉到更丰富的数据模式。通过增加或减少多项式的次数，我们可以适应不同的数据模式和拟合要求。
3. 模型表达能力：多项式回归可以通过多项式的高次项来增加模型的表达能力。这意味着我们可以更好地逼近非线性关系，从而提高模型的预测准确性。
4. 解释力和过拟合：多项式回归能够更好地解释数据中的变异，特别是在存在非线性关系的情况下。但是需要注意，过高的多项式次数可能导致过拟合问题，即模型在训练集上表现良好但在测试集上表现较差。因此，在使用多项式回归时需要权衡模型的复杂性和泛化能力。
5. 预处理和特征选择：在进行多项式回归之前，常常需要对数据进行预处理，如标准化、归一化等，以确保变量之间的尺度一致。此外，对于高次多项式回归，特征选择也是一个重要的环节，可以通过特征选择算法选择最重要的特征，以减少模型复杂性。
6. 曲线适应能力：由于多项式回归引入了多项式的高次项，因此可以更好地适应非线性数据的曲线形状。例如，在数据存在曲线趋势的情况下，多项式回归可以提供更准确的拟合。
7. 非单调性：多项式回归的一个独特特点是可以展现出非单调的模式。通过调整多项式的次数和系数，可以捕捉到数据中复杂的非线性变化模式，例如数据的峰值、波动等。
8. 幂函数逼近：多项式回归可以灵活地逼近幂函数的形式。当我们研究指数增长或指数下降的数据时，多项式回归可以通过选取适当的多项式次数，近似表达出幂函数的变化趋势。
9. 拟合优度评估：与线性回归一样，多项式回归可以通过评估拟合优度来衡量模型的质量。常用的指标包括R-Square（决定系数）和均方根误差（RMSE），它们能够量化模型对数据的拟合程度和预测准确性。
10. 变量相互影响：在多项式回归中，高次项的引入可以考虑变量之间的相互影响。例如，二次多项式可以同时考虑变量的线性效应和交互效应，进一步提高模型的表达能力。
因此，它在数据分析和模型建立中能够更好地适应非线性数据模式，并提供较好的拟合效果。但需要注意的是，在选择多项式的次数时，需要权衡模型的复杂性和过拟合的风险，并根据实际情况进行必要的预处理和特征选择。
曲线拟合APP，是基于最小二乘法原理，将一组数据通过选定的数据拟合算法拟合成一组曲线，选择适当的曲线类型来拟合观测数据，并用拟合的曲线方程分析两变量间的关系。