前言：

有些生活中的问题也许符合一元或多元线性回归的标准，但还有很多问题无法用一条直线来解决，需要使用样式更多更复杂的曲线来说明问题，因此今天我将要解决多项式的问题。

正文：

import numpy as np
import matplotlib.pyplot as plt
#这下面这个是多项式的数据库
from sklearn.preprocessing import PolynomialFeatures
#这个是线性回归模型的数据库
from sklearn.linear_model import LinearRegression

#载入并切分数据，依旧按照你需要的方式取切分
data = np.genfromtxt("job.csv",delimiter = ",")
x_data = data[1:,1]
y_data = data[1:,2]
#画图并展示
plt.scatter(x_data,y_data)
plt.show()

图片展示如下：
可以看出这个图片属于曲线类型，如果用直线来表示，效果一定不好！

#给你切分好的数据增加维度以符合函数所需要的格式
x_data = x_data[:,np.newaxis]
y_data = y_data[:,np.newaxis]

#创建并拟合线性回归模型
model = LinearRegression()
model.fit(x_data,y_data)

#画图
plt.plot(x_data,y_data,'b.')
plt.plot(x_data,model.predict(x_data),'r')
plt.show()

展示一下直线的效果：

可以发现直线的效果很差，完全达不到预期的标准
因此我们需要换一种方式来做

#建立多项式回归模型
#polynomialfeatures可以给你的数据提供更高次的项
#具体用法百度直接搜索
#degree的值由你自己决定，不要太高也不要太低
poly_reg = PolynomialFeatures(degree=3)
#特征处理，fit来适配数据，transform来自动处理数据
x_poly = poly_reg.fit_transform(x_data)
#定义回归模型
lin_reg = LinearRegression()
#把处理好的x_poly带入fit函数中
#训练模型
lin_reg.fit(x_poly,y_data)

#画图
plt.plot(x_data,y_data,'b.')
#在1~10范围内生成20个点
x_test = np.linspace(1,10,20)
#给x_test增加维度
x_test = x_test[:,np.newaxis]
#将数据带入fit_transform中，并画出来
plt.plot(x_test,lin_reg.predict(poly_reg.fit_transform(x_test)),'r')
plt.show()

图片展示如下：

总结：

可以看出多项式回归确实比一元形象多了！