利用多项式回归构建回归模型，给出代码

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：

# 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。