Найдите наиболее подходящее уравнение

Часто используемый подход - итеративно минимизировать сумму квадратов разностей y между вашими точками и функцией подбора.

Хотя вы можете использовать итеративный подход, вы можете напрямую рассчитать наклон и точку пересечения линии с учетом набора наблюдений, используя метод наименьших квадратов. См. Раздел «Одномерный линейный случай» в статья в Википедии о линейной регрессии, чтобы узнать, как вычислить коэффициенты a и b в y = a + bx с заданными наборами точек (x,y).

Метод наименьших квадратов http://en.wikipedia.org/wiki/Least_squares. Эта книга Цифровые рецепты 3-е издание: Искусство научных вычислений (твердый переплет) имеет все необходимое для алгоритмов реализации метода наименьших квадратов и других методов.

Вы можете проверить линейная регрессия или, в более общем смысле, подгонка кривой.

Вот статья, сравнивающий два способа подгонки строки к данным. Следует остерегаться того, что существует прямое решение, правильное в теории, но может иметь числовые проблемы. В статье показано, почему этот метод может дать сбой, и предложен другой, более эффективный метод.

Реализовано со страницы вики, не тестировалось.

$sx = 0;
$sy = 0;
$sxy = 0;
$sx2 = 0;
$n = count($data);
foreach ($data as $x => $y)
{
    $sx += $x;
    $sy += $y;
    $sxy += $x * $y;
    $sx2 += $x * $x;
}
$beta = ($n*$sxy - $sx*$sy) / ($n*$sx2 - $sx*$sx);
$alpha = $sy/$n - $sx*$beta/$n;

echo "y = $alpha + $beta x";

Дополнительный интерес, вероятно, вызывает то, насколько хорошо подходит эта леска. Для этого используйте корреляцию Пирсона здесь, в функции PHP:

/**
 * returns the pearson correlation coefficient (least squares best fit line)
 * 
 * @param array $x array of all x vals
 * @param array $y array of all y vals
 */

function pearson(array $x, array $y)
{
    // number of values
    $n = count($x);
    $keys = array_keys(array_intersect_key($x, $y));

    // get all needed values as we step through the common keys
    $x_sum = 0;
    $y_sum = 0;
    $x_sum_sq = 0;
    $y_sum_sq = 0;
    $prod_sum = 0;
    foreach($keys as $k)
    {
        $x_sum += $x[$k];
        $y_sum += $y[$k];
        $x_sum_sq += pow($x[$k], 2);
        $y_sum_sq += pow($y[$k], 2);
        $prod_sum += $x[$k] * $y[$k];
    }

    $numerator = $prod_sum - ($x_sum * $y_sum / $n);
    $denominator = sqrt( ($x_sum_sq - pow($x_sum, 2) / $n) * ($y_sum_sq - pow($y_sum, 2) / $n) );

    return $denominator == 0 ? 0 : $numerator / $denominator;
}

Чтобы добавить к ответу FryGuy, если вам нужна функция, которая также дает R ^ 2 (чтобы показать, насколько хорошо подходит):

function mathTrend($data) {
    $sx = 0;
    $sy = 0;
    $sxy = 0;
    $sx2 = 0;
    $yTotal = 0;
    $n = count($data);
    if ($n <= 1) {
        return false;
    }
    foreach ($data as $row)
    {
        $row = array_values($row);
        $x = $row[0];
        $y = $row[1];
        $yTotal += $y;
        $sx += $x;
        $sy += $y;
        $sxy += $x * $y;
        $sx2 += $x * $x;
    }
    $yAvg = $yTotal / $n;
    $m = ($n*$sxy - $sx*$sy) / ($n*$sx2 - $sx*$sx);
    $b = $sy/$n - $sx*$m/$n;

    //Go through again to determine rSquared
    //Using method from https://thewikihow.com/video_w2FKXOa0HGA
    $diffActual = 0;
    $diffEstimated = 0;
    foreach($data as $row) {
        $row = array_values($row);
        $x = $row[0];
        $y = $row[1];

        $expectedY = $m*$x+$b;
        $diffActual += ($y - $yAvg)**2;
        $diffEstimated += ($expectedY-$yAvg)**2;
    }
    $rSquared = $diffEstimated / $diffActual;

    $result = ['m'=> $m, 'b' => $b, 'rSquared' => $rSquared];
    return $result;
}