13518219792
今天就跟大家聊聊有关使用Python怎么实现多项式回归，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。
Python是一种编程语言，内置了许多有效的工具，Python几乎无所不能，该语言通俗易懂、容易入门、功能强大，在许多领域中都有广泛的应用，例如最热门的大数据分析，人工智能，Web开发等。
为什么多项式回归：
研究人员假设的某些关系是曲线的。显然，这种类型的案例将包括多项式项。
检查残差。如果我们尝试将线性模型拟合到曲线数据，则预测变量（X轴）上的残差（Y轴）的散点图将在中间具有许多正残差的斑块。因此，在这种情况下，这是不合适的。
通常的多元线性回归分析的假设是所有自变量都是独立的。在多项式回归模型中，不满足该假设。
多项式回归的使用：
这些基本上用于定义或描述非线性现象，例如：
组织生长速度。
疾病流行病的进展
湖泊沉积物中碳同位素的分布
回归分析的基本目标是根据自变量x的值来模拟因变量y的期望值。在简单回归中，我们使用以下等式 y = a + bx + e
这里y是因变量，a是y截距，b是斜率，e是误差率。
在许多情况下，这种线性模型将无法解决。例如，如果我们在这种情况下根据合成温度分析化学合成的产生，我们使用二次模型y = a + b1x + b2 ^ 2 + e
这里y是x的因变量，a是y截距，e是误差率。
通常，我们可以将其建模为第n个值。y = a + b1x + b2x ^ 2 + .... + bnx ^ n
由于回归函数在未知变量方面是线性的，因此这些模型从估计的角度来看是线性的。
因此，通过最小二乘技术，让我们计算y的响应值。
Python中的多项式回归:
要获得用于分析多项式回归的数据集，请单击此处。
步骤1：导入库和数据集
导入重要的库和我们用于执行多项式回归的数据集。
# Importing the libraries
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
# Importing the dataset
datas = pd.read_csv('data.csv')
datas
第2步：将数据集分为2个组件
将数据集划分为两个组件，即X和yX将包含1到2之间的列.y将包含2列。
X = datas.iloc[:, 1:2].values y = datas.iloc[:, 2].values
第3步：将线性回归拟合到数据集
拟合线性回归模型在两个组件上。
# Fitting Linear Regression to the dataset from sklearn.linear_model import LinearRegression lin = LinearRegression() lin.fit(X, y)
第4步：将多项式回归拟合到数据集
将多项式回归模型拟合到两个分量X和y上。
# Fitting Polynomial Regression to the dataset from sklearn.preprocessing import PolynomialFeatures poly = PolynomialFeatures(degree = 4) X_poly = poly.fit_transform(X) poly.fit(X_poly, y) lin2 = LinearRegression() lin2.fit(X_poly, y)
步骤5：在此步骤中，我们使用散点图可视化线性回归结果。
# Visualising the Linear Regression results
plt.scatter(X, y, color = 'blue')
plt.plot(X, lin.predict(X), color = 'red')
plt.title('Linear Regression')
plt.xlabel('Temperature')
plt.ylabel('Pressure')
plt.show()
步骤6：使用散点图可视化多项式回归结果。
# Visualising the Polynomial Regression results
plt.scatter(X, y, color = 'blue')
plt.plot(X, lin2.predict(poly.fit_transform(X)), color = 'red')
plt.title('Polynomial Regression')
plt.xlabel('Temperature')
plt.ylabel('Pressure')
plt.show()
步骤7：使用线性和多项式回归预测新结果。
# Predicting a new result with Linear Regression lin.predict(110.0)
# Predicting a new result with Polynomial Regression lin2.predict(poly.fit_transform(110.0))
使用多项式回归的优点：
广泛的功能可以适应它。
多项式基本上适合宽范围的曲率。
多项式提供了依赖变量和自变量之间关系的最佳近似。
使用多项式回归的缺点
这些对异常值过于敏感。
数据中存在一个或两个异常值会严重影响非线性分析的结果。
此外，遗憾的是，用于检测非线性回归中的异常值的模型验证工具少于线性回归。
看完上述内容，你们对使用Python怎么实现多项式回归有进一步的了解吗？如果还想了解更多知识或者相关内容，请关注创新互联成都网站设计公司行业资讯频道，感谢大家的支持。
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
