研究乙個因變數與乙個或多個自變數間多項式的回歸分析方法，稱為多項式回歸（polynomial regression）。多項式回歸是線性回歸模型的一種，其回歸函式關於回歸係數是線性的。其中自變數x和因變數y之間的關係被建模為n次多項式。
在使用sklearn建模時，我們可以考慮把簡單的資料處理、特徵處理、建模做成流水線的形式。此時用到pipeline功能.
pipeline就是將這些步驟都放在一起。引數傳入乙個列表，列表中的每個元素是管道中的乙個步驟。每個元素是乙個元組，元組的第乙個元素是名字（字串），第二個元素是例項化。
模型誤差 = 偏差 + 方差 + 不可避免的誤差（噪音）。一般來說，隨著模型複雜度的增加，方差會逐漸增大，偏差會逐漸減小。
偏差（bias）：偏差衡量了模型的**值與實際值之間的偏離關係。例如某模型的準確度為96%，則說明是低偏差；反之，如果準確度只有70%，則說明是高偏差。
方差（variance）：方差描述的是訓練資料在不同迭代階段的訓練模型中，**值的變化波動情況（或稱之為離散情況）。從數學角度看，可以理解為每個**值與**均值差的平方和的再求平均數。通常在模型訓練中，初始階段模型複雜度不高，為低方差；隨著訓練量加大，模型逐步擬合訓練資料，複雜度開始變高，此時方差會逐漸變高。
降低模型複雜度
減少資料維度；降噪
增加樣本數
使用驗證集
正則化
參考文章：
多項式回歸
import numpy as np import matplotlib.pyplot as plt x np.random.uniform 3,3,size 100 x x.reshape 1,1 y 0.5 x 2 x 2 np.random.normal 0,1,100 plt.scatter...
多項式回歸
多項式回歸 import torch import numpy defmake features x 獲取 x,x 2,x 3 的矩陣 x x.unsqueeze 1 將一維資料變為 n，1 二維矩陣形式 return torch.cat x i for i in range 1 4 1 按列拼接 ...
多項式回歸
線性回歸適用於資料成線性分布的回歸問題，如果樣本是非線性分布，線性回歸就不再使用，轉而可以採用非線性模型進行回歸，比如多項式回歸 多項式回歸模型定義 與線性模型，多項式模型引入了高次項 y w 0 w1 x w2 x2 w 3x3 wnxn y w 0 w 1x w 2x 2 w 3x 3 w nx...