基于sciket-learn实现多项式回归

多项式回归在思想上和线性回归是一致的，都使用一条线去拟合样本值，进入用得出的模型去进行预测，在样本特征呈现出线性特性时，我们可以用线性回归去做预测，但是在样本特征很复杂的时候，线性回归往往会呈现出欠拟合的状态，这时就需要多项式回归。

先来看一个小例子，给定一条二次曲线y=2x^2 + 2x，生成带噪声的100个样本点，绘制出图像 ，是我们熟悉的二次方程。

x = np.random.uniform(-3, 3, size = 100)
X = x.reshape(-1, 1)

y = 2 * x**2 + x + 2 + np.random.normal(0, 1, size = 100)

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

然后我们用线性回归来拟合这条曲线，看看会出现什么情况

from sklearn.linear_model import LinearRegression

lin_reg = LinearRegression()
lin_reg.fit(X, y)

y_predict = lin_reg.predict(X)

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