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,