机器学习“傻瓜式”理解（9）多项式回归（第一部分：基础理解＋应用）

最新推荐文章于 2023-09-13 19:21:45 发布

崔振凯

最新推荐文章于 2023-09-13 19:21:45 发布

阅读量419

点赞数

分类专栏：机器学习文章标签： python 机器学习

本文链接：https://blog.csdn.net/qq_41979922/article/details/104735854

版权

本文介绍了多项式回归的基础理解，作为对线性回归的扩展，以解决非线性问题。通过实例展示了如何通过添加特征如x^2来改善线性回归的预测效果，并讨论了在scikit-learn中实现多项式回归的步骤，包括数据预处理和归一化。最后，提到了使用Pipeline简化多项式回归过程。

摘要由CSDN通过智能技术生成

基础理解：
之前我们提到过多元线性回归，多元线性回归指的是每一个特征与目标值（y）呈线性关系，但多项式回归指的是样本特征与目标值（y）呈非线性关系，例如：y = ax^2 + bx + c，其中x^2可以看做是人为添加的另一个特征。
从而我们也可以得出多项式回归的操作步骤：在现有的模型基础上加上x^2，然后后面的操作便和线性回归中实现的一样。
线性回归传送门
多项式回归是对线性回归算法的改进，使得能够处理非线性的问题，做出相应的预测，因为线性回归算法假设的是数据之间呈线性关系，但是在实际的生产活动中，具有严格的线性关系的数据相对较少，更多的时候是呈非线性关系。
应用多项式回归解决问题:
①模式并查看数据集的分布情况

import numpy as np
import matplotlib.pyplot as plt

from sklearn.linear_model import LinearRegression

x = np.random.uniform(-3,3,size=100)
X = x.reshape(-1,1)
y = 0.5 * x**2 + x * 2 + np.random.normal(0, 1, size=100)

plt.scatter(x,y)
plt.show()