多项式回归sklearn实现

多项式回归是一种线性回归模型的扩展，它通过引入多项式特征来拟合非线性数据。在sklearn中，可以使用PolynomialFeatures类来实现多项式特征的创建，然后将其与LinearRegression模型结合使用。

下面是一个使用sklearn实现多项式回归的示例代码：

from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
import numpy as np

# 创建一些样本数据
X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
y = np.array([1, 4, 9, 16, 25])

# 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()

# 拟合数据
model.fit(X_poly, y)

# 预测
y_pred = model.predict(X_poly)

# 计算均方误差
mse = mean_squared_error(y, y_pred)
print("Mean Squared Error:", mse)

在上述代码中，首先创建了一些样本数据X和对应的目标变量y。然后使用PolynomialFeatures类将X转化为包含多项式特征的矩阵X_poly。接下来，创建了LinearRegression模型，并使用拟合数据。最后，使用模型对X_poly进行预测，并计算预测值与真实值之间的均方误差。

希望这个示例能够帮助到你！如果还有其他问题，请随时提问。