poly rbf sigmoid 给出这三个代码的示例

以下是三个常见的机器学习算法的示例代码：

1. 多项式回归（Polynomial Regression）：

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

# 创建多项式特征
poly_features = PolynomialFeatures(degree=2)
X_poly = poly_features.fit_transform(X)

# 创建线性回归模型
model = LinearRegression()

# 拟合多项式回归模型
model.fit(X_poly, y)

# 进行预测
y_pred = model.predict(X_poly)

2. 径向基函数（Radial Basis Function, RBF）：

from sklearn.svm import SVC

# 创建SVC模型，使用RBF核函数
model = SVC(kernel='rbf')

# 拟合SVC模型
model.fit(X, y)

# 进行预测
y_pred = model.predict(X)

3. Sigmoid函数：

import numpy as np

def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 示例用法
x = np.array([0, 1, 2, 3, 4])
print(sigmoid(x))

以上示例代码中，多项式回归使用了`sklearn`库的`PolynomialFeatures`和`LinearRegression`类；径向基函数使用了`sklearn`库的`SVC`类；sigmoid函数的示例代码与前文提供的代码示例相同。

请注意，这些示例代码仅用于演示目的，实际应用时可能需要根据具体情况进行参数调整和数据预处理。