利用多项式回归构建回归模型,给出代码
时间: 2024-11-10 10:13:46 浏览: 3
多项式回归是一种线性回归的扩展形式,它通过将自变量和其高次幂组合起来构建非线性的预测模型。以下是使用Python中的sklearn库构建二阶多项式回归模型的一个简单例子:
```python
# 导入所需的库
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
import numpy as np
# 假设我们有自变量X和目标变量y的数据
X = np.array([[1], [2], [3], [4], [5]]) # 自变量数据,这里是简单的数值列表
y = np.array([2, 4, 6, 8, 10]) # 目标变量数据
# 创建PolynomialFeatures对象并设置degree为2
poly = PolynomialFeatures(degree=2)
# 转换原始数据得到包含二次项的特征矩阵
X_poly = poly.fit_transform(X)
# 创建LinearRegression模型
model = LinearRegression()
# 训练模型
model.fit(X_poly, y)
# 现在你可以用模型预测新的值
new_x = np.array([[6], [7]])
new_predictions = model.predict(poly.transform(new_x))
print("原数据拟合结果:", model.intercept_, model.coef_)
print("新数据预测:", new_predictions)
```
在这个例子中,`fit_transform()`函数将一维的X转换成包含二次项的二维特征矩阵,然后`LinearRegression`模型对这些特征进行训练。
阅读全文