多项式回归 python 代码

多项式回归是线性回归的一种扩展，它允许模型更复杂的关系，如曲线。在Python中，多项式回归可以通过`numpy`库或`scikit-learn`库来实现。下面是一个简单的多项式回归实现的示例代码。

首先，你需要安装`scikit-learn`库（如果尚未安装）：

pip install scikit-learn

然后，你可以使用以下Python代码：

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

# 假设我们有一些数据点
# X是一个二维数组，每一行代表一个样本，每一列代表一个特征
# y是一个一维数组，包含每个样本的目标值
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([1, 4, 9, 16, 25])

# 创建一个多项式回归模型，这里我们设置degree=2来实现二次多项式回归
degree = 2
model = make_pipeline(PolynomialFeatures(degree), LinearRegression())

# 训练模型
model.fit(X, y)

# 现在模型已经训练好了，可以用来预测新的数据点
X_new = np.array([[6], [7]])
y_new = model.predict(X_new)

print("预测的结果:", y_new)

这段代码首先导入了必要的模块，然后创建了一些样本数据`X`和对应的目标值`y`。接下来，它创建了一个多项式回归模型，该模型通过`PolynomialFeatures`和`LinearRegression`组合而成，其中`PolynomialFeatures(degree)`用于生成多项式特征，`LinearRegression`用于拟合线性模型。接着，使用`.fit()`方法训练模型，并使用训练好的模型进行预测。