从sci-kit-learn计算出的回归函数绘制图形时，我面临一个愚蠢的问题。构建完函数后，我需要绘制一个图表，该图表显示原始数据中的X和Y以及我的函数中计算出的点。问题是尽管函数是线性的，但我的函数却不是直线，它使用傅里叶级数来为曲线提供正确的形状，并且当我尝试使用以下方法绘制直线时：
ax.plot(df['GDPercapita'], modelp1.predict(df1), color='k')
我有一个这样的图：
但是trhu图应该是在这些黑点之后的线：
我正在使用以下代码生成图形：
fig, ax = plt.subplots()
ax.scatter(df['GDPercapita'], df['LifeExpectancy'], edgecolors=(0, 0, 0))
ax.scatter(df['GDPercapita'], modelp1.predict(df1),color='k') #this line is changed to get the first pic.
ax.set_xlabel('Measured')
ax.set_ylabel('Predicted')
plt.show(block=True)
有人知道该怎么做吗？
讨论后编辑：
好，那么首先要做的是： 可以在以下位置下载数据：http://www.est.ufmg.br/~marcosop/est171-ML/dados/worldDevelopmentIndicators.csv
为了执行用于预测LifeExpectancy的回归函数的详尽的优化算法，我必须使用具有GDPercapita归一化值的傅立叶展开生成新数据，并找出生成最佳回归函数的op参数数量，这个数字是p = 22。 现在，我必须使用p = 22的回归函数的预测点来生成多项式函数，以显示如何将最佳回归函数与22度的多项式函数进行比较。 为了生成预测，我使用以下代码：
from sklearn import linear_model
modelp22 = linear_model.LinearRegression()
modelp22.fit(xp22,y_train)
df22 = df[p22]
fig, ax = plt.subplots()
ax.scatter(df['GDPercapita'], df['LifeExpectancy'], edgecolors=(0, 0, 0))
ax.scatter(df['GDPercapita'], modelp22.predict(df22),color='k')
ax.set_xlabel('GDPercapita')
ax.set_ylabel('LifeExpectancy')
plt.show(block=True)
现在，我需要使用预测点来创建多项式函数，并用以下方式绘制图形：原始数据（第一个散点），预测点（连续散点）和多边形函数（曲线或曲线）来显示它们视觉关系。