多项式回归pythonMSE

多项式回归（Polynomial Regression）是一种使用多项式函数来拟合数据的回归分析方法。在 Python 中，可以使用 Scikit-learn 库来实现多项式回归，并计算均方误差（Mean Squared Error，MSE）。

下面是一个简单的示例代码：

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

# 准备数据
X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)  # 自变量
y = np.array([2, 5, 10, 17, 26])             # 因变量

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

# 创建多项式回归模型
poly_regression = LinearRegression()
poly_regression.fit(X_poly, y)

# 预测结果
y_pred = poly_regression.predict(X_poly)

# 计算均方误差
mse = mean_squared_error(y, y_pred)
print("均方误差（MSE）：", mse)

在上述代码中，我们首先准备了一些样本数据 `X` 和对应的目标值 `y`。然后，使用 `PolynomialFeatures` 类创建了二次多项式特征 `X_poly`。接下来，使用 `LinearRegression` 类创建了多项式回归模型 `poly_regression`，并对数据进行拟合。最后，使用预测结果 `y_pred` 和目标值 `y` 计算均方误差 `mse`。

请注意，你可以根据你的数据调整多项式的阶数（degree）以及其他参数来获取更好的拟合效果。