sklearn里怎么做多项式回归？

可以参考numpy.polyfit

下面就是个用polyfit做三次多项式回归的例子

>>> x = np.array([0.0, 1.0, 2.0, 3.0,  4.0,  5.0])
>>> y = np.array([0.0, 0.8, 0.9, 0.1, -0.8, -1.0])
>>> coef = np.polyfit(x, y, 3)
>>> coef
array([ 0.08703704, -0.81349206,  1.69312169, -0.03968254])

coef是回归系数，按照幂次先高后低排列。

sklearn里没有多项式回归，只能靠自己造轮子了。你需要人工生成那些高次项，比如说你要做一个像

$$Y= a_0 + a_1x + a_2x^2 + a_3x^3$$

的三次多项式回归。那么你就需要人工制造出$x^2$和$x^3$这两个特征，然后再做sklearn里的回归。

可以参考如下

from sklearn.linear_model import LinearRegression
X_new = pd.DataFrame()
X_new['x'] = x
X_new['x2'] = X_new['x'] ** 2
X_new['x2'] = X_new['x'] ** 3
reg = LinearRegression()
reg.fit(X_new, y)

这个问题不是编程的问题，而是统计学中的本质问题，在统计理论中，对非线性回归模型，比如多项式、logsitic回归、对数回归等等，都可以转化为线性回归模型来求解的

所以，这个不是现有程序的问题，而是基本思想的问题