Was ist der einfachste Weg, um eine Polynomregression mit sklearn zu machen?

Question

Ich habe einige Daten, die nicht eine lineare Regression passen,

In der Tat passen 'genau' soll eine quadratische Funktion:

P = R*I**2 

ich diese Mikrofonierung bin:

model = sklearn.linear_model.LinearRegression()

X = alambres[alambre]['mediciones'][x].reshape(-1, 1) 
Y = alambres[alambre]['mediciones'][y].reshape(-1, 1) 
model.fit(X,Y) 

Gibt es eine Chance, es zu lösen, indem Sie so etwas tun:

model.fit([X,X**2],Y)?

Answer 1

Sie können numpys polyfit verwenden.

import numpy as np 
from matplotlib import pyplot as plt 
X = np.linspace(0, 100, 50) 
Y = 23.24 + 2.2*X + 0.24*(X**2) + 10*np.random.randn(50) #added some noise 
coefs = np.polyfit(X, Y, 2) 
print(coefs) 
p = np.poly1d(coefs) 
plt.plot(X, Y, "bo", markersize= 2) 
plt.plot(X, p(X), "r-") #p(X) evaluates the polynomial at X 
plt.show() 

Out:

[ 0.24052058 2.1426103 25.59437789]