「」 ' 多項式回帰を：あなたはより良いトレーニングサンプルデータに合うように回帰モデルをしたい場合は、多項式回帰をされて使用することができます。 単変量多項式回帰： 数理モデル：Y = W 0 + W 1 * X ^ 1 + W2 * X ^ 2 + ... + WN * X N ^ 得られた長期特性の高次の項まで拡張と見ることができる： Y = W0 + W1 * X1 + W2 * X2 + ... + WN * XN 多重線形回帰モデルとして見ることができるので、多項式回帰は、線形回帰サンプルデータモデルのトレーニングを使用することができます。 ：達成される単変量多項式回帰は、2つのステップが必要 1.（最大次数多項式にのみ与えられる）多項式回帰、多重線形回帰問題を変換します。 2.結果は、ステップ1多項式W1、W2、W3、...、で得られた WN 線形回帰、多変量線形モデルが訓練された、サンプル特性として。 そのモデルの適切な最大数は、線形回帰モデルスコアをR2よりも高いスコア数が高すぎると、上が存在するであろう選択-フィット、スコアは線形回帰スコアよりも低くなる 二つのステップによって提供される「データ線」sklearn実装を使用して実行順序： PL ASインポートsklearn.pipeline SPとしてインポートがsklearn.preprocessing インポートLM AS sklearn.linear_model = pl.make_pipelineモデル（ ＃10：多項式の最高次数 sp.PolynomialFeatures（10）、＃特性多項式パンダ lm.LinearRegression（））＃線形回帰の 過剰適合とunderfitting： 1.オーバーフィッティング：あまりにトレーニングデータのための複雑なモデルは、より良い精度を得ることができますが、精度は、この現象は、オーバーフィッティングと呼ばれ、テストデータのための一般的に低いです。 2. underfitting：あまりにも単純なモデル、両方のトレーニングデータやテストデータについては、十分に高い予測精度、underfittingと呼ばれる現象を与えることはできません。 3.学習モデルの性能は、トレーニングデータとテストデータの許容可能な予測精度であるべき接近しているが、精度が低すぎることはできません。 トレーニングはR2に設定R2テスト設定 0.3 0.4 underfitting：単純すぎるが、ルールはデータ反映していない 0.9 0.2オーバーフィッティング：あまりにも特別な、あまりにも複雑に、一般の欠如 許容0.6 0.7：適度な複雑さは、ルールデータの両方を反映して、一般性を失うことなくしながら、 データsingle.txtファイルをロードし、回帰モデルを訓練するために、多項式回帰アルゴリズムに基づいています。 ステップ： パッケージガイド---> ---は、モデルによって予測多項式回帰を作成---> ---予測モデルとトレーニング>得られpred_y、画像レンダリングの多項式関数>データを読み込む '「」 のインポートがPL AS sklearn.pipeline インポートsklearn LM .linear_modelのAS インポートsklearn.preprocessing SP AS インポートMP AS matplotlib.pyplot インポートNP AS numpyの インポートAS sklearn.metrics SM ＃の収集データ X、Y = np.loadtxt（' ./ml_data/single.txt '、DELIMITER = " 、'、usecols =（0 ,. 1）は、アンパック= TRUE） ＃の入力は、この線のような2次元配列の特徴となる Xのx.reshape =（-1 ,. 1 ） ＃は、モデルの作成 =モデルpl.make_pipeline（ sp.PolynomialFeatures（ 10）、 ＃多項式展開装置特徴 lm.LinearRegression（） ＃の線形回帰 ） ＃のトレーニングモデル model.fit（X、Y） ＃は、予測値Yを決定 pred_y = model.predict（X）を ＃のモデル評価 印刷（' 絶対平均誤差：' 、sm.mean_absolute_error（Y、pred_y）） を印刷（' 平均二乗誤差：' 、sm.mean_squared_error（Y、pred_y）） を印刷（' 中央絶対エラー：' 、sm.median_absolute_error（Y、pred_y）） を印刷（「R2スコア：' 、Sm.r2_score（Y、pred_y）） ＃は、多項式回帰直線描画 PX = np.linspace（x.min（）、x.max（）1000 ） PX = px.reshape（-1 ,. 1 ） pred_py = モデル。 （PX）を予測 ＃描画画像 mp.figure（" ポリ回帰"、のFaceColor = ' LightGrayの' ） mp.title（' ポリ回帰'、のfontSize = 16 ） mp.tick_params（labelsize = 10 ） mp.grid（をlineStyle = ' ：' ） mp.xlabel（' X "） mp.ylabel（' Y ' ） mp.scatter（X、Y、S = 60、マーカー= ' O '、C = ' ドジャーブルー'、ラベル= ' ポイント' ） mp.plot（PX、pred_py、C = ' オレンジレッド'ラベル= ' 関数polyfitライン" ） mp.tight_layout（） mp.legend（） mp.show（） 出力： 絶対平均誤差： 0.4818952136579405は、 平均二乗誤差： 0.35240714067500095 中央絶対エラー： 0.47265950409692536 R2スコア： 0.7868629092058499を
