本文介绍了多项式回归的概念，作为线性回归的补充，适用于非线性数据关系。通过numpy和sklearn实现了一元多项式回归，展示了如何搭建模型、评估回归效果以及预测未来值。案例中，3阶多项式回归模型达到了0.94的R^2值，显示了良好的拟合。同时，文章探讨了欠拟合和过拟合，强调了适当选择多项式次数的重要性。
如果您的数据点显然不适合线性回归（穿过数据点之间的直线），那么多项式回归可能是理想的选择。它的出现就是为了弥补线性回归。
像线性回归一样，多项式回归使用变量 x 和 y 之间的关系来找到绘制数据点线的最佳方法。
概念
研究一个因变量（目标变量）与一个或多个自变量间多项式的回归分析方法，称为多项式回归（Polynomial Regression）。如果自变量只有一个时，称为一元多项式回归；如果自变量有多个时，称为多元多项式回归。在一元回归分析中，如果因变量 y与自变量x的关系为非线性的，但是又找不到适当的** 函数曲线 ** 来拟合，则可以采用一元多项式回归。
一般来说我们用到的一元多项式模型更多&#x
订阅专栏 解锁全文
扫一扫
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
