利用多项式回归构建回归模型，给出python代码

在Python中，我们可以使用sklearn库中的PolynomialFeatures和LinearRegression模块来创建多项式回归模型。这里是一个简单的例子：

# 导入所需的库
import numpy as np
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# 假设你已经有了一个二维数据集X（特征）和一维目标值y
X = np.random.rand(100, 1)  # 示例数据，实际应用中替换为你的数据
y = np.sin(2 * np.pi * X[:, 0]) + np.random.normal(size=(100,))  # 生成随机噪声的数据

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义多项式的阶度，比如我们希望构建一个二次多项式
degree = 2

# 创建多项式特征提取器
poly = PolynomialFeatures(degree=degree)

# 对训练数据的特征进行转换
X_train_poly = poly.fit_transform(X_train)

# 初始化线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X_train_poly, y_train)

# 预测
y_pred = model.predict(poly.transform(X_test))

# 可视化结果或者评估性能（例如，计算均方误差MSE）
from sklearn.metrics import mean_squared_error
mse = mean_squared_error(y_test, y_pred)
print("Mean Squared Error:", mse)

上述代码首先将原始的一次函数特征转换成了二次函数特征，然后使用线性回归对这些新的特征进行拟合。记得根据你的实际情况替换数据集 `X` 和 `y`。