贝叶斯线性回归和非线性回归的python

贝叶斯线性回归和非线性回归是两种不同的回归方法，它们的实现方式有些不同。下面是它们的Python代码实现。

贝叶斯线性回归：

from sklearn.linear_model import BayesianRidge
import numpy as np

# 创建数据
x = np.random.randn(100, 10)
y = np.random.randn(100)

# 创建贝叶斯线性回归模型
model = BayesianRidge()

# 拟合模型
model.fit(x, y)

# 预测
y_pred = model.predict(x)

非线性回归：

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

# 创建数据
x = np.random.randn(100, 1)
y = np.sin(x) + np.random.randn(100, 1) * 0.1

# 创建多项式特征
poly = PolynomialFeatures(degree=3)
x_poly = poly.fit_transform(x)

# 创建线性回归模型
model = LinearRegression()

# 拟合模型
model.fit(x_poly, y)

# 预测
y_pred = model.predict(x_poly)

需要注意的是，非线性回归使用了PolynomialFeatures来创建多项式特征，从而将数据转化为线性可分的形式。