写一个循环，让特征多项式的degree参数，从1到5变化，画图，找到最合适的

在中国Python的Scikit-Learn库中，你可以使用`GridSearchCV`结合`PolynomialFeatures`和`LinearRegression`来进行特征多项式拟合，并通过交叉验证寻找最佳的degree参数。下面是一个简单的示例：

from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import GridSearchCV
import matplotlib.pyplot as plt

# 创建数据集（这里假设我们有已有的数据X和y）
# X = ... # 输入数据
# y = ... # 目标变量

# 定义度数范围
degrees = range(1, 6)

# 准备模型和参数网格搜索
poly_reg = PolynomialFeatures()
lin_reg = LinearRegression()
param_grid = [{'degree': degrees}]

# 使用GridSearchCV
grid_search = GridSearchCV(estimator=Pipeline([("polynomial_features", poly_reg),
                                             ("linear_regression", lin_reg)]), 
                           param_grid=param_grid,
                           scoring='r2',  # 或者其他评估指标
                           cv=5)  # 交叉验证次数

# 训练模型
grid_search.fit(X, y)

# 获取最佳度数
best_degree = grid_search.best_params_['degree']

# 绘制R^2得分与degree的关系
scores = [score for score in grid_search.cv_results_['mean_test_score']]
plt.plot(degrees, scores)
plt.xlabel('Degree')
plt.ylabel('Mean R-squared Score')
plt.title(f'Best Degree: {best_degree}')
plt.grid(True)
plt.show()