多项式回归代码python

以下是一个简单的多项式回归的 Python 代码示例，使用 scikit-learn 库：

import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
import matplotlib.pyplot as plt

# 生成一些随机数据用于拟合
x = np.array([1, 2, 3, 4, 5, 6])
y = np.array([0.5, 2.5, 2, 4, 3.5, 6])

# 将 x 转为矩阵形式，方便后面的运算
x = x.reshape(-1, 1)

# 将 x 的多项式特征转换为 2 次多项式
poly_features = PolynomialFeatures(degree=2, include_bias=False)
x_poly = poly_features.fit_transform(x)

# 使用线性回归模型拟合多项式特征后的数据
lin_reg = LinearRegression()
lin_reg.fit(x_poly, y)

# 生成一些测试数据用于预测
x_test = np.linspace(0, 7, 100).reshape(-1, 1)
x_test_poly = poly_features.transform(x_test)

# 使用训练好的模型进行预测
y_pred = lin_reg.predict(x_test_poly)

# 绘制拟合曲线和原始数据
plt.plot(x, y, 'o')
plt.plot(x_test, y_pred)
plt.show()

在这个例子中，我们生成了一些随机数据用于拟合，然后使用 `PolynomialFeatures` 将输入特征转换为 2 次多项式特征，并使用 `LinearRegression` 对多项式特征进行拟合。最终，我们使用训练好的模型对一些测试数据进行预测，并将拟合曲线和原始数据绘制在图表上。