机器学习多项式拟合曲线的原理是通过使用多项式函数来拟合给定数据集中的样本点，以达到最佳拟合的目标。
具体原理如下：
多项式表示：在多项式拟合中，我们使用多项式函数来表示数据的关系。多项式函数的形式通常为 f(x) = w0 + w1x + w2x^2 + … + wn*x^n，其中w0, w1, …, wn是待求的系数，n是多项式的阶数。不同的阶数n会引导多项式函数的复杂度和灵活性。
最小二乘法：多项式拟合的目标是找到最佳的系数w0, w1, …, wn来使得多项式函数与给定的样本点最接近。常用的方法是最小二乘法，即最小化实际值与预测值之间的差异。这可以通过最小化误差函数来实现，常用的误差函数是均方误差（Mean Square Error）。
模型训练：为了找到最佳的系数，我们需要使用给定的样本数据进行模型训练。训练的过程就是找到最小化误差函数的系数。常用的方法是使用梯度下降法或者解析解（即直接求解导数为0的解）。
模型评估：训练完成后，我们需要对模型进行评估，以判断其性能和拟合程度。常用的评估指标包括均方根误差（Root Mean Square Error）、决定系数（Coefficient of Determination）等。
拟合曲线：最终，我们可以使用得到的最佳系数来绘制拟合曲线，以表现数据的关系。这条曲线可以用于预测新的样本点的输出值。
总结来说，机器学习多项式拟合曲线的原理是通过使用多项式函数来拟合数据的关系，通过最小化误差函数来找到最佳系数，从而得到拟合曲线。