机器学习（多项式回归）

多项式回归

        若我们需要寻找的不是直线（超平面），而是由多项式所表达的曲线（超曲面），多项式回归的方程可以表达为如下形式：

 实战-sklearn

        步骤一：导库、导数据

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

data = np.genfromtxt("job.csv", delimiter=",")
x_data = data[1:,1]
y_data = data[1:,2]

        步骤二：修改参数维度、拟合模型

        此处的degree用来修改参数：

        degree=1，在x_data左侧增加一列常数项1

        degree=2，在x_data右侧增加一列x^2项

        以此类推，具体如下所示：

x_data = x_data[:,np.newaxis]
y_data = y_data[:,np.newaxis]
# 线性模型
model = LinearRegression()
model.fit(x_data, y_data)

# 多项式模型
# 定义多项式回归,degree的值可以调节多项式的特征
poly_reg  = PolynomialFeatures(degree=5) 
# 特征处理
x_poly = poly_reg.fit_transform(x_data)
# 定义回归模型
lin_reg = LinearRegression()
# 训练模型
lin_reg.fit(x_poly, y_data)

        步骤三：可视化

# 画图
plt.plot(x_data, y_data, 'b.')
plt.plot(x_data, lin_reg.predict(poly_reg.fit_transform(x_data)), c='r')
plt.title('Truth or Bluff (Polynomial Regression)')
plt.xlabel('Position level')
plt.ylabel('Salary')
plt.show()

---

          这是我学习 覃秉丰老师的《机器学习算法基础》的自学笔记，课程在B站中的地址为：机器学习算法基础-覃秉丰_哔哩哔哩_bilibili