ML 回归-非线性回归

step1：数据预处理

        调用sklearn包中的StandardScler进行数据归一化处理

        基于Z得分归一化，这在方法是基于数据的均值和标准差，将数据转化为具有均值为0和标准差为1的正态分布。公式如下：（注意点：标准为0时要注意一下）

        具体代码如下：

step2：调用sklearn包中的PolynomialFeatures进行多项式生成和交互特征。

        其中：

                degree：多项式的参数，即最高次幂。

                interaction_only：一个布尔值，如果设置为True，则只生成交互项，不生成次幂项。默认为False，即同时生成次幂项和交互项。

                include_bias：一个布尔值，用于指示是否在特征矩阵中包含偏置项（即常数项，通常为1）。默认情况下，include_bias=True，意味着生成的特征矩阵会包含一个常数项。在这个例子中，include_bias=False意味着不包含常数项。如果你的模型（如线性回归）已经包含了截距项，那么通常你会设置include_bias=False。 

        代码如下：

step3：调用sklearn_linear_model包中的LinaerRegression进行模型回归

        为什么是用LinearRegression对非线性回归进行建模，是因为前面已经使用PolynomialFeatures和fit_transform进行多项式生成和数据转换。

        代码如下：

总结：

1.  scaler会记录测试数据集的mean和std所以当有新的测试数据时，可以直接scaler.transfer(new_data)就可以完成数据转换

2.  因为是多项式回归拟合，poly_features会扩大特征的维数，因此对测试数据进行转换特征，因此后面也就是变成了只与参数有关的线性回归，因此后面也就直接建立的线性回归模型。

3.  一旦使用线性回归模型训练了数据，可以通过coef_属性来获得特征的系数（即参数值），截距值可以通过intercept_属性获得。        

4. 多项式回归从本质上讲也是线性回归