如何使用scikit-learn將多項式曲線擬合到數據？

Question

問題背景

使用scikit-learn與Python，我試圖將二次多項式曲線的一組數據，使模型可以是以下形式的y = a2x^2 + a1x + a0和an系數將通過提供模型。

問題

我不知道如何使用該包來擬合多項式曲線，並且似乎很少有關於如何做的明確參考（我已經看了一會兒）。 我已經看到了與NumPy做類似事情的這個問題 ，而且這個問題比我要求的更復雜 。

什么是好的解決方案

希望一個好的解決方案可以像這樣（從我正在使用的線性擬合代碼改編的樣本）：

x = my_x_data.reshape(len(profile), 1)
y = my_y_data.reshape(len(profile), 1)
regression = linear_model.LinearRegression(degree=2) # or PolynomialRegression(degree=2) or QuadraticRegression()
regression.fit(x, y)

我認為scikit-learn會有這樣的設施，因為它很常見（例如，在R ，擬合的公式可以在代碼中提供，並且它們應該能夠在這種用途中相互替換 -案件）。

問題：

有什么好方法可以做到這一點，或者我在哪里可以找到有關如何正確執行此操作的信息？

Answer 1

可能重復： https ： //stats.stackexchange.com/questions/58739/polynomial-regression-using-scikit-learn 。

是否因某些原因使用scikit-learn進行此操作至關重要？ 使用numpy可以非常輕松地執行所需的操作：

z = np.poly1d(np.polyfit(x,y,2))

之后z(x)返回x擬合的值。

scikit-learn解決方案幾乎肯定只是圍繞相同代碼的包裝器。

Answer 2

我相信薩爾瓦多達利在這里的回答將回答你的問題。 在scikit-learn中，從數據構造多項式特征，然后對該擴展數據集運行線性回歸就足夠了。 如果您有興趣閱讀有關它的文檔，可以在此處找到更多信息。 為方便起見，我將發布Salvador Dali提供的示例代碼：

from sklearn.preprocessing import PolynomialFeatures
from sklearn import linear_model

X = [[0.44, 0.68], [0.99, 0.23]]
vector = [109.85, 155.72]
predict= [0.49, 0.18]

poly = PolynomialFeatures(degree=2)
X_ = poly.fit_transform(X)
predict_ = poly.fit_transform(predict)

clf = linear_model.LinearRegression()
clf.fit(X_, vector)
print clf.predict(predict_)

Answer 3

AGML的答案可以包含在scikit-learn-compatible類中，如下所示：

class PolyEstimator:
    def __init__(self, degree=2):
        self.degree = degree

    def fit(self, x, y):
        self.z = np.poly1d(np.polyfit(x.flatten().tolist(), y, self.degree))

    def predict(self, x):
        return self.z(x.flatten().tolist())