用python实现多元多项式回归分析模型的建立、检验和调优，并且使用SelectKBest()函数用于特征 选择则

多元多项式回归分析模型是一种可以处理非线性关系的回归模型。下面是使用Python实现多元多项式回归分析模型的建立、检验和调优，并使用SelectKBest()函数进行特征选择的示例代码：

import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
from sklearn.feature_selection import SelectKBest, f_regression
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score

# 生成随机数据
X = np.random.rand(100, 3)
y = 1 + 2*X[:,0] + 3*X[:,1] + 4*X[:,2] + 0.5*X[:,0]**2 + 0.5*X[:,1]**2 + 0.5*X[:,2]**2 + np.random.randn(100)

# 特征变换，将原始特征转化为多项式特征
poly = PolynomialFeatures(degree=2, include_bias=False)
X_poly = poly.fit_transform(X)

# 特征选择，选择最相关的3个特征
selector = SelectKBest(f_regression, k=3)
X_new = selector.fit_transform(X_poly, y)

# 数据集划分
X_train, X_test, y_train, y_test = train_test_split(X_new, y, test_size=0.2, random_state=0)

# 模型训练
model = LinearRegression()
model.fit(X_train, y_train)

# 模型预测
y_pred = model.predict(X_test)

# 模型评估
score = r2_score(y_test, y_pred)
print('R2 score:', score)

上述代码首先生成了一个随机数据集，然后使用PolynomialFeatures()函数将原始特征转化为多项式特征，并使用SelectKBest()函数选择最相关的3个特征。接着，将数据集划分为训练集和测试集，使用LinearRegression()函数训练模型，并在测试集上进行预测和评估。

需要注意的是，多项式回归模型容易出现过拟合的问题，因此需要进行调优。可以通过调整多项式的阶数来平衡模型的拟合能力和泛化能力。可以在PolynomialFeatures()函数中设置degree参数来调整多项式的阶数。