python 非线性回归

非线性回归是一种用于建立非线性关系模型的统计分析方法。在Python中，可以使用多种库和方法来实现非线性回归。

一种常用的方法是使用scikit-learn库中的多项式回归模型。该库提供了PolynomialFeatures类来生成多项式特征，然后使用线性回归模型进行拟合。

以下是一个示例代码：

from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression

# 假设有一组非线性数据
X = [[1], [2], [3], [4], [5]]
y = [2.5, 3.5, 6.5, 9, 14]

# 转换为多项式特征
poly = PolynomialFeatures(degree=2)
X_poly = poly.fit_transform(X)

# 使用线性回归模型进行拟合
model = LinearRegression()
model.fit(X_poly, y)

# 预测新的数据
X_new = [[6]]
X_new_poly = poly.transform(X_new)
y_new = model.predict(X_new_poly)
print(y_new)

上述代码中，首先定义了一组非线性数据X和对应的目标变量y。然后使用PolynomialFeatures类将X转换为二次多项式特征矩阵X_poly。接着使用LinearRegression模型对X_poly和y进行拟合。最后，使用训练好的模型进行新数据X_new的预测，并输出结果。

除了多项式回归，还有其他方法可以用于非线性回归，如高斯过程回归、决策树回归、神经网络等。根据具体的数据和问题，选择合适的方法进行非线性回归建模。