你的数据集可能有一些问题...从你的n（x，y）点图中，它们是用直线连接起来的;如果你显示点，应该会看到点的密度沿着你的域分布，它并不像线那样均匀分布。假设你的域是[xmin，xmax]，一个8阶多项式适合插值，但是它会因为高阶和点密度的奇怪分布而摆动。多项式不适合外推，一旦在你的域之外没有控制点，你可以用样条来解决这个问题，三次自然样条将控制xmin和xmax处的导数，但是要做到这一点，你应该排序你的数据集（x轴），并采取一个子样本的n点与滚动平均作为控制点的样条算法。如果问题有解析解（例如，高斯变异函数看起来像点分布），只需尝试优化参数（例如，高斯变异函数的极差和基台），以最小化域内的误差，并遵循域外的赋值。

看看@MatthewDrury对“为什么在多项式回归中使用正则化而不是降低阶数？”的回答。这简直太棒了，而且非常正确。最有趣的一点是在最后，他开始谈论使用自然三次样条来拟合回归，而不是使用10次正则化多项式。您可以使用scipy.interpolate.CubicSpline的实现来完成非常类似的事情。scipy.interpolate中包含了大量用于其他样条方法的类，用于类似的方法。
下面是一个简单的例子：

from scipy.interpolate import CubicSpline

cs = CubicSpline(data['x'], data['y'])
x_range = np.arange(x_min, x_max, some_step)
plt.plot(x_range, cs(x_range), label='Cubic Spline')