Python全系列 教程
3567个小节阅读:5931.4k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本,未来主流的版本
人工智能 教程
顺势而为,AI创新未来
大厂算法 教程
算法,程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
从本质上讲,多项式回归模型是线性回归模型的一种。
实际应用中,我们遇到的数据并不总是线性的,这时如果我们还拿线性模型去拟合,模
型的效果就会大打折扣。不过不用担心,此时,仍然可以使用线性回归的方法来拟合非线性
的数据,只不过我们要先对输入数据做一些处理。这样就出现了所谓的“多项式回归”。
例如:
二元二次多项式回归方程为:
在实际应用中,常常可以通过多项式回归扩展已有特征,从而解决非线性问题。
在sklearn中实现多项式回归使用sklearn.preprocessing.PolynomialFeatures
在PolynomialFeatures(degree)中,degree参数代表多项式回归中特征的最高次数
ximport numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
X = np.arange(1,11).reshape((-1,2))
# 使用最高次为2次的多项式回归对象
poly = PolynomialFeatures(degree=2)
X2 = poly.fit_transform(X) # 拟合并添加新特征
# 观察X2特征
print(X2)
1. 关于多项式回归,下列说法正确的是:
A 多项式回归模型只能解决线性问题
B 从本质上讲,多项式回归模型是线性回归模型的一种
C 二元二次多项式回归方程的最高次数为1
D 以上说法均不正确
2.实现多项式回归,使用sklearn中的:
A LogisticRegression
B StandardScaler
C LinearRegression
D PolynomialFeatures
1=>B 2=>D