python多项式线性回归算法代码

以下是Python中实现多项式回归的代码：

import numpy as np
import matplotlib.pyplot as plt

# 生成数据
x = np.array([0.0, 1.0, 2.0, 3.0, 4.0, 5.0])
y = np.array([0.1, 0.9, 2.2,2.8, 3.6, 5.0])

# 多项式回归
z = np.polyfit(x, y, 3) # 3表示多项式的次数
p = np.poly1d(z)

# 绘制图像
xp = np.linspace(-1, 6, 100)
plt.plot(x, y, '.', xp, p(xp), '-')
plt.show()

这段代码首先生成了一些数据，然后使用`np.polyfit()`函数进行多项式回归，其中第一个参数是自变量，第二个参数是因变量，第三个参数是多项式的次数。然后使用`np.poly1d()`函数将回归结果转换为一个多项式对象，最后使用`plt.plot()`函数绘制图像。

相关问题

python 多项式回归

多项式回归是一种机器学习算法，用于建立一个多项式函数来拟合数据。它适用于非线性数据集，可以通过增加多项式的次数来更好地适应数据。

在Python中，你可以使用scikit-learn库来实现多项式回归。下面是一个示例代码：

import numpy as np
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 生成一个示例数据集
X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
y = np.array([2, 3, 5, 9, 12])

# 创建多项式特征
poly = PolynomialFeatures(degree=2)
X_poly = poly.fit_transform(X)

# 创建线性回归模型
model = LinearRegression()
model.fit(X_poly, y)

# 预测新的数据点
X_test = np.array([6]).reshape(-1, 1)
X_test_poly = poly.transform(X_test)
y_pred = model.predict(X_test_poly)

print("预测值：", y_pred)

在上述代码中，我们首先使用`PolynomialFeatures`来创建多项式特征。通过指定`degree`参数来控制多项式的次数。然后，我们使用`LinearRegression`来训练模型并进行预测。

希望这个示例对你有所帮助！如果还有其他问题，请随时提问。

试用sklearn写线性回归算法代码

好的，以下是使用sklearn库进行简单线性回归的示例代码：

from sklearn.linear_model import LinearRegression
import numpy as np

# 准备数据
# 这里使用一个随机生成的数据集作为例子
x_data = np.random.rand(100, 1)
y_data = x_data * 0.1 + 0.3

# 搭建模型
model = LinearRegression()

# 训练模型
model.fit(x_data, y_data)

# 预测结果
x_test = np.array([[0.2], [0.4], [0.6]])
y_pred = model.predict(x_test)

print("模型的系数：", model.coef_)
print("模型的截距：", model.intercept_)
print("预测结果：", y_pred)

需要注意的是，sklearn库还包括了多项式回归、岭回归、Lasso回归等多种回归算法，可以根据数据集的不同特点选择合适的算法。