Scikit 学习；无法正确创建多项式回归图

Question

我刚开始学习多项式回归。我试图为多项式回归创建图，但图是错误的。

我的代码是这样的

#Linear regression
from sklearn import linear_model
clf = linear_model.LinearRegression()


x = data.loc[:, ['col1']]
y = data.loc[:, ['col2']]

clf.fit(x, y)

plt.scatter(x, y)
plt.plot(x, clf.predict(x))
plt.show()

此代码用于线性回归模型，图是这样的。

多项式回归的代码在这里

from sklearn.preprocessing import PolynomialFeatures

poly_reg = PolynomialFeatures(degree=2)
poly_x = poly_reg.fit_transform(x)

clf.fit(poly_x, y)

plt.scatter(x, y)
plt.plot(x, clf.predict(poly_x))

剧情是这样错的。

我刚开始学习它，我只是尝试复制一些教程的方式，所以我对此的理解仍然很糟糕。我该如何解决这个情节，并且我希望有很好的资源来理解这个概念。

Answer 1

尝试使用pipeline进行拟合和预测

示例：

poly_model = make_pipeline(PolynomialFeatures(7),
                       LinearRegression())

rng = np.random.RandomState(1)
x = 10 * rng.rand(50)
y = np.sin(x) + 0.1 * rng.randn(50)
xfit = np.linspace(0, 10, 1000)

poly_model.fit(x.reshape(-1,1), y)
yfit = poly_model.predict(xfit.reshape(-1,1))

plt.scatter(x, y)
plt.plot(xfit, yfit)

通过上面的例子，你会明白，如果你有一个单独的列，使用.reshape(-1,1)是非常重要的。

看看这是否有助于你理解...

Answer 2

需要先按照X中的值对X和y中的值进行排序。

# This is your data
x = data.loc[:, ['col1']]
y = data.loc[:, ['col2']]

# This is what you need to do.
# argsort() will return the indices of the sorting order
inds = x.values.ravel().argsort()    # Here I am assuming that x has single feature     
x = x.values.ravel()[inds].reshape(-1,1)
y = y.values[inds]

# Then continue your code.
poly_reg = PolynomialFeatures(degree=2)
poly_x = poly_reg.fit_transform(x)

clf.fit(poly_x, y)

plt.scatter(x, y)
plt.plot(x, clf.predict(poly_x))
plt.show()