原文链接:http://tecdat.cn/?p=23104
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。当咱们剖析有一些蜿蜒的稳定数据时,拟合这种类型的回归是必不可少的。在这篇文章中,咱们将学习如何用多项式回归数据拟合曲线并在 Python 中绘制。咱们在本教程中应用 NumPy 和 matplotlib 库。
咱们将首先加载本教程所需的模块。
import numpy as np
import matplotlib.pyplot as plt
咱们须要测试数据,咱们能够按下图所示生成。你也能够应用你本人的数据集。
n = 250 # 元素数
train_x = np.array(x)
train_y = np.array(y)
咱们将通过创立一个散点图来直观地查看 x 数据。
plt.scatter(train\_x, train\_y)
接下来,咱们将用 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))
咱们须要一个线性模型,咱们将定义它并在训练数据上拟合。而后咱们用这个模型来预测 x 数据。
liniearModel.fit(xpol, train_y\[:,\])
最初,咱们将绘制出拟合的曲线。
plt.plot(train_x, polyfit, color = 'red')
在这篇文章中,咱们曾经简略地理解了如何在 Python 中拟合多项式回归数据。
最受欢迎的见解
1.R 语言多元 Logistic 逻辑回归 利用案例
2. 面板平滑转移回归 (PSTR) 剖析案例实现
3.matlab 中的偏最小二乘回归(PLSR)和主成分回归(PCR)
4.R 语言泊松 Poisson 回归模型剖析案例
5.R 语言回归中的 Hosmer-Lemeshow 拟合优度测验
6.r 语言中对 LASSO 回归,Ridge 岭回归和 Elastic Net 模型实现
7. 在 R 语言中实现 Logistic 逻辑回归
8.python 用线性回归预测股票价格
9.R 语言如何在生存剖析与 Cox 回归中计算 IDI,NRI 指标