版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/alionsss/article/details/87635685

文章目录

• 多项式回归示例（sklearn实现）
• 1. 导包
• 2. 原始数据生成与展示
• 3. 数据预处理
• 4. 建立模型，开始训练
• 5. 预测结果与展示

多项式回归示例（sklearn实现）

1. 导包

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

2. 原始数据生成与展示

x_data = np.array([1, 2, 3, 4, 5, 6 ,7, 8, 9 ,10])
y_data = np.array([45, 55, 60, 85, 115, 140, 222, 350, 600, 1000])
plt.scatter(x_data, y_data)
plt.show()

3. 数据预处理

x_data = x_data[:, np.newaxis]
y_data = y_data[:, np.newaxis]
# 多项式特征转换
poly_reg = PolynomialFeatures(degree=3)
x_data_poly = poly_reg.fit_transform(x_data)

4. 建立模型，开始训练

model = LinearRegression()
model.fit(x_data_poly, y_data)

5. 预测结果与展示

# 生成待预测的数据
x_test = np.linspace(1, 10, 50)[:, np.newaxis]
x_test_poly = poly_reg.fit_transform(x_test)
# 开始预测
predict_result = model.predict(x_test_poly)
print(predict_result)

# 作图
# 原始数据
plt.plot(x_data, y_data, "b.")
# 预测数据
plt.plot(x_test, predict_result, c="r")
plt.show()

更多精彩内容