首选Eigen::FullPivLU是因为它通过完全主元选排显著提升病态范德蒙矩阵求解稳定性，而HouseholderQR无主元易致舍入误差失真；当n≥6时应改用JacobiSVD截断小奇异值或RANSAC抗离群点。
直接用 Eigen 解正规方程是最稳、最简、最可控的方式。手写高斯消元或依赖 OpenCV/Boost 等重型库，反而容易在数值精度、内存管理或接口兼容上翻车。
为什么首选 Eigen::FullPivLU 而不是 HouseholderQR
多项式拟合本质是解超定线性系统 X * theta = y，其中 X 是范德蒙矩阵（Vandermonde），它随阶数升高迅速病态——列之间高度相关，条件数爆炸。此时：
-
HouseholderQR计算快但不带行列主元，对病态X容易因舍入误差导致系数严重失真，尤其当x值集中在某区间（如 [0.1, 0.9]）时 -
FullPivLU虽稍慢，但通过完全主元选排，能显著提升小矩阵（m ）下的数值鲁棒性，且接口干净：调用 <code>solve(y)即得theta - 别用
LLT或LDLT：它们要求X.transpose() * X正定，而该矩阵在高次或非归一化数据下极易接近奇异，直接崩溃
polyfit 的输入预处理不能跳过
原始 x 数据若未归一化，高次幂（如 pow(x, 5)）会放大微小差异，让 X 的列量纲悬殊，加剧病态。必须做两件事：
- 平移缩放：计算
x_mean = x.array().mean()和x_std = sqrt((x.array() - x_mean).square().sum() / (x.size()-1))，再令x_norm = (x - x_mean) / x_std - 避免零 std：若所有
x相同（常数列），范德蒙矩阵退化为全 1 列，此时拟合无意义，应提前报错或返回常数拟合 - 归一化后拟合出的
theta_norm需反变换回原始坐标系，不能直接拿去算y = polyval(theta_norm, x)
用 polyval 求值时注意幂次顺序和数值稳定性
拟合得到的系数向量 theta 通常按升序排列：[a0, a1, a2, ..., an]，对应 a0 + a1*x + a2*x^2 + ...。求值时别手写 pow(x,i) 循环：
立即学习“C++免费学习笔记（深入）”；
- 每次调用
pow开销大，且对浮点x可能引入额外误差 - 推荐霍纳法（Horner）展开：
result = theta[n] + x*(theta[n-1] + x*(...))，单次遍历、无幂运算、数值更稳 - 若需批量求值（如画曲线），把
x向量化为Eigen::VectorXd，用.array().pow(i)构造各幂次列再点乘，比循环快一个数量级
高阶拟合（n > 5）必须加正则或换方法
当指定阶数 n >= 6，即使做了归一化，FullPivLU 也可能返回警告（info() != Success），此时系数震荡剧烈，外推完全不可信：
- 不要硬扛——改用
Eigen::JacobiSVD并设置threshold截断小奇异值，等价于 Tikhonov 正则 - 或切换到 RANSAC：用
PCL的SacModelPolynomial抗离群点，但需额外链接pcl_sample_consensus - 拉格朗日插值（
LagrangePolynomial::Evaluate）只保证过点，不最小化误差，且n > 10时严重振荡（Runge 现象），不是拟合，是插值
真正麻烦的从来不是“怎么算”，而是“算出来敢不敢信”——病态矩阵不会报错，只会悄悄给你一个看起来光滑、实则毫无泛化能力的曲线。
