英文翻译：residual plot显示并没有明显的patterns，但是variance能明显观察到逐渐增大的。因此不满足constant assumption。因此使用Ploynominal regression的表现会比linear regression更差。

### 回答1：
The residual plot shows no clear patterns, but an increasing variance is clearly observed. Therefore, the constant assumption is not met. As a result, the performance of polynomial regression will be worse than linear regression.

### 回答2：
residual plot是用于检查线性回归模型的拟合效果的工具，它显示了预测值与观测值之间的差异，理想情况下，残差应该随机地分布在零线周围，没有明显的模式。然而，根据所提供的英文翻译，这个残差图显示并没有明显的模式，这意味着模型可能对数据的拟合效果较好。

然而，翻译中提到方差在残差图中逐渐增大，这表明模型的预测值与观测值之间的差异在某些情况下变得越来越大。这意味着我们的线性回归模型并不满足常数假设，即误差的方差应该是恒定的。

由于线性回归模型无法满足常数假设，因此使用多项式回归模型的性能可能会比线性回归更差。多项式回归可以通过增加更高次项来拟合数据，但是在我们的情况下，由于方差的逐渐增大，这可能会导致更多的过拟合现象，从而降低模型的准确性。

总结起来，根据提供的信息，我们可以得出结论，虽然残差图中没有明显的模式，但由于方差的增大，我们的线性回归模型并不满足常数假设，因此使用多项式回归模型可能会比线性回归模型表现更差。

### 回答3：
residual plot是用来评估回归模型的残差是否具有明显的模式或趋势。在这个问题中，residual plot并没有显示出明显的pattern，这意味着残差在不同预测值上的分布较为平均，没有明显的偏离。然而，我们可以观察到variance在不同预测值上逐渐增大，这意味着残差的差异性随着预测值的增加而增大。基于这种情况，我们可以判断不满足常数假设（constant assumption），也就是残差的方差在不同预测值上并不是恒定的。

由于输入变量与目标变量之间的关系可能不是简单的线性关系，以线性回归模型来对数据进行拟合可能不是最佳选择。相反，通过使用Polynomial regression（多项式回归）模型，可以更好地拟合数据中的非线性关系。多项式回归允许我们在模型中引入更高次的特征，并更好地描述输入变量和目标变量之间的非线性关系。

因此，根据residual plot和variance的观察结果，我们可以推断采用Polynomial regression模型可能会比linear regression模型更差，因为Polynomial regression模型能够更好地捕捉到输入变量和目标变量之间的非线性关系。