假设存在一个未知函数映射，使得输入空间和输出空间存在某种函数关系，要求你给定一定样本集，并用线性回归模型对其拟合，采用三种基函数，用python代码写出来

在Python中，我们可以使用`sklearn`库来进行线性回归模型的构建，尤其是当我们想用多项式基函数（如线性、二次等）来近似非线性的数据。这里我会展示如何用三个基本基函数（线性、一次和二次多项式）作为特征来拟合数据。首先确保已经安装了`numpy`和`scikit-learn`。

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

# 假设我们有一个样本数据集，X表示输入，y表示输出
X = # 输入数据 (二维数组)
y = # 输出数据 (一维数组)

# 我们可以先创建一个基础的线性模型
linear_regressor = LinearRegression()

# 线性拟合
linear_regressor.fit(X, y)

# 对于多项式特征，我们需要先创建一个转换器
poly_transformer = PolynomialFeatures(degree=2)  # 选择二次多项式

# 将输入数据转换为包含线性和二次项的特征
X_poly = poly_transformer.fit_transform(X)

# 使用转换后的数据训练多项式线性回归模型
poly_linear_regressor = LinearRegression()
poly_linear_regressor.fit(X_poly, y)

# 同样地，对于一次多项式，我们可以设置degree为1
poly_transformer_1_degree = PolynomialFeatures(degree=1)
X_poly_1_degree = poly_transformer_1_degree.fit_transform(X)
poly_linear_regressor_1_degree = LinearRegression()
poly_linear_regressor_1_degree.fit(X_poly_1_degree, y)