人工智能——多项式回归（Python）

3.1 案例分析

3.2 代码实现

3.3 结果

3.4 可视化

4 案例实现——方法2

4.1 代码

4.2 结果

4.3 可视化

5 致谢

---

1、概述

---

1.1 有监督学习

1.2 多项式回归

上一次我们讲解了线性回归，这次我们重点分析多项式回归。

多项式回归(Polynomial Regression) 是研究一个因变量与一 个或多个自变量间多项式的回归分析方法。如果自变量只有一个 时，称为一元多项式回归；如果自变量有多个时，称为多元多项 式回归。

(1)在一元回归分析中，如果依变量 y 与自变量 x 的关系为非线性的，但 是又找不到适当的函数曲线来拟合，则可以采用一元多项式回归。

(2)多项式回归的最大优点就是可以通过增加 x 的高次项对实测点进行逼 近，直至满意为止。

(3)事实上，多项式回归可以处理相当一类非线性问题，它在回归分析 中占有重要的地位，因为任一函数都可以分段用多项式来逼近。

2 概念

---

之前提到的线性回归实例中，是运用直线来拟合数据输入与输出之间的线性关系。不同于线性回归， 多项式回归是使用曲线拟合数据的输入与输出的映射关系 。

3 案例实现——方法1

---

3.1 案例分析

应用背景：我们在前面已经根据已知的房屋成交价和房屋的尺寸进行了线性回归，继而可以对已知房屋尺寸，而未知房屋成交价格的实例进行了成交价格的预测，但是在实际的应用中这样的拟合往往不够好，因此我们在此对该数据集进行多项式回归。

目标：对房屋成交信息建立多项式回归方程，并依据回归方程对房屋价格进行预测。

成交信息包括房屋的面积以及对应的成交价格：

（1）房屋面积单位为平方英尺（ ft 2 ）

（2）房屋成交价格单位为万

3.2 代码实现