Python----多项式回归

多项式线性回归

　　1、多项式线性方程：

　　　　　　与多元线性回归相比，它只有一个自变量，但有不同次方数。

　　　　2、举例：

　　　　　　

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

dataset = pd.read_csv('data.csv')
#包含自变量的格式应该是矩阵，不然很可能有错误信息
X = dataset.iloc[:, 1:2].values
y = dataset.iloc[:, 2].values

#创建线性回归模型
from sklearn.linear_model import LinearRegression
lin_reg = LinearRegression()#lin_reg线性回归
lin_reg.fit(X, y)

#创建多项式回归
from sklearn.preprocessing import PolynomialFeatures #PolynomialFeatures将自变量转换成包含了自变量不同次数的矩阵
poly_reg = PolynomialFeatures(degree = 4)#degree :转化的包含了不同多项式的最高次数为多少，默认为2，则代表默认最高为2
X_poly = poly_reg.fit_transform(X)
lin_reg_2 = LinearRegression()#lin_reg_2多项式回归
lin_reg_2.fit(X_poly, y)

#线性回归
plt.scatter(X, y, color = 'red')#实际结果点标红
plt.plot(X, lin_reg.predict(X), color = 'blue')#预测结果线为蓝色
plt.title('Truth or Bluff (Linear Regression)')
plt.xlabel('Position Level')
plt.ylabel('Salary')
plt.show()
#实际情况与预测结果相差很大

#多项式回归模型
#线条更加平滑
X_grid=np.arange(min(X),max(X),0.1)#start :从哪个值开始；stop :到哪个数为止；step :每个点数之间间距为多少
X_grid=X_grid.reshape(len(X_grid),1)#转化为矩阵
plt.scatter(X, y, color = 'red')
plt.plot(X_grid, lin_reg_2.predict(poly_reg.fit_transform(X_grid)), color = 'blue')
plt.title('Truth or Bluff (Polynomial Regression)')
plt.xlabel('Position Level')
plt.ylabel('Salary')
plt.show()

#lin_reg已经拟合好的线性回归模型，predict预测，括号中为数据
lin_reg.predict(6.5)

lin_reg_2.predict(poly_reg.fit_transform(6.5))