回归分析（三）——多项式回归解决非线性问题

最新推荐文章于 2025-07-05 16:06:20 发布

Amy_mm

最新推荐文章于 2025-07-05 16:06:20 发布

阅读量7.6k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： sklearn

本文链接：https://blog.youkuaiyun.com/Amy_mm/article/details/80012340

本文探讨了如何通过多项式回归来处理线性回归模型假设不成立的情况，介绍了使用sklearn库实现多项式回归的步骤，并通过housing data展示了二项式、多项式与线性模型的效果对比。实验表明，尽管多项式回归能提高模型拟合度，但过高的多项式阶数可能导致过拟合。此外，还提到了用log转换解决非线性问题的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

git源码：https://github.com/xuman-Amy/Regression-Analysis

【将线性回归模型转换为曲线——多项式回归】

之前都是将解释变量和目标值之间的关系假设为线性的，如果假设不成立，可以添加多项式选项，转换为多项式回归。

【sklearn实现多项式回归】

1、PoltnomialFeatures实现二项回归

# quadratic  二项回归
from sklearn.preprocessing import PolynomialFeatures
X = np.array([258.0, 270.0, 294.0, 
              320.0, 342.0, 368.0, 
              396.0, 446.0, 480.0, 586.0])\
             [:, np.newaxis]


y = np.array([236.4, 234.4, 252.8, 
              298.6, 314.2, 342.2, 
              360.8,