使用sklearn进行多项式回归

1.数据

?

1 2 3

x = np.random.uniform(-5, 5 ,size=100) X = x.reshape(-1, 1) y = x**2 + x +2 + np.random.normal(0, 1, size = 100)

 2. 拟合

?

1 2 3 4 5 6 7 8

ploy = PolynomialFeatures(degree=2) X2 = ploy.fit_transform(X) reg = LinearRegression() reg.fit(X2,y) y_predict = reg.predict(X2)   print(reg.coef_) #系数 print(reg.intercept_) #截距

 3. 图形绘制

?

1 2 3

plt.scatter(x, y) plt.plot(np.sort(x), y_predict[np.argsort(x)], color='r') plt.show()

 拟合部分还可以通过Pipeline将 多项式生成，归一化处理，线性回归进行整合

?

1 2 3 4 5 6 7 8 9 10 11

from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler   # 多项式的特征，数据归一化，线性回归 poly_reg = Pipeline([     ("poly", PolynomialFeatures(degree=2)),     ("std_scaler", StandardScaler()),     ("lin_reg", LinearRegression()) ]) poly_reg.fit(X, y) y_predict = poly_reg.predict(X)

系数： [0.         1.02750451 1.00863466]
截距：1.8723913311785978