多项式回归是一种线性回归形式，其中自变量x和因变量y之间的关系被建模为n次多项式。多项式回归拟合x的值与y的相应条件均值之间的非线性关系，表示为E(y | x)

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 -

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

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。

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。