使用 sklearn 进行多项式回归的最简单方法？答案

【问题标题】：Simplest way to make a polynomial regression with sklearn?使用 sklearn 进行多项式回归的最简单方法？
【发布时间】：2016-09-03 19:11:31
【问题描述】：

我有一些不适合线性回归的数据：

实际上应该“完全”拟合二次函数：

P = R*I**2

我正在做这个：

model = sklearn.linear_model.LinearRegression()

X = alambres[alambre]['mediciones'][x].reshape(-1, 1)
Y = alambres[alambre]['mediciones'][y].reshape(-1, 1)
model.fit(X,Y)

有没有机会通过以下方式解决它：

model.fit([X,X**2],Y)

【问题讨论】：

可以在此处找到scikit-learn 与多项式特征的示例scikit-learn.org/stable/modules/…
这能回答你的问题吗？ polynomial regression using python

标签： python pandas scikit-learn polynomials non-linear-regression

【解决方案1】：

使用多项式特征。

import numpy as np
from sklearn.preprocessing import PolynomialFeatures

x = np.array([[1,],[2,],[3,]])
X = PolynomialFeatures(degree=2).fit_transform(x)
X

输出：

array([[1., 1., 1.],
       [1., 2., 4.],
       [1., 3., 9.]])

【讨论】：

您需要将多项式特征生成与线性回归相结合，才能在 SKLearn 中执行多项式回归。

【解决方案2】：

你可以使用numpy的polyfit。

import numpy as np
from matplotlib import pyplot as plt
X = np.linspace(0, 100, 50)
Y = 23.24 + 2.2*X + 0.24*(X**2) + 10*np.random.randn(50) #added some noise
coefs = np.polyfit(X, Y, 2)
print(coefs)
p = np.poly1d(coefs)
plt.plot(X, Y, "bo", markersize= 2)
plt.plot(X, p(X), "r-") #p(X) evaluates the polynomial at X
plt.show()

输出：

[  0.24052058   2.1426103   25.59437789]

【讨论】：

对不起，我没有注意到标题要求 sklearn 解决方案。我将把它作为替代方案。