Python中的多项式回归拟合非线性关系实例

最近我们被客户要求撰写关于多项式回归的研究报告，包括一些图形和统计输出。

 相关视频：非线性模型原理与R语言多项式回归、局部平滑样条、 广义相加模型GAM分析

非线性模型原理与R语言多项式回归、局部平滑样条、 广义相加模型GAM分析

，时长05:41

多项式回归是独立x变量和因果y变量之间的非线性关系。当我们分析有一些弯曲的波动数据时，拟合这种类型的回归是必不可少的。在这篇文章中，我们将学习如何用多项式回归数据拟合曲线并在Python中绘制。我们在本教程中使用NumPy和matplotlib库。

我们将首先加载本教程所需的模块。

import numpy as np
import matplotlib.pyplot as plt

我们需要测试数据，我们可以按下图所示生成。你也可以使用你自己的数据集。
 

n = 250         # 元素数

train_x = np.array(x)
train_y = np.array(y)

我们将通过创建一个散点图来直观地检查x数据。

plt.scatter(train_x, train_y)

 

接下来，我们将用PolymonialFeatures类定义多项式模型，在训练数据上进行拟合。 

fit_transform(train_x.reshape(-1, 1))

我们需要一个线性模型，我们将定义它并在训练数据上拟合。然后我们用这个模型来预测x数据。
 

liniearModel.fit(xpol, train_y[:,])

最后，我们将绘制出拟合的曲线。 

plt.plot(train_x, polyfit, color = 'red')

在这篇文章中，我们已经简单地了解了如何在Python中拟合多项式回归数据。

---