Scikit-learn多项式回归绘图错误求助

嘿，我看到你刚开始接触多项式回归，在用Scikit-learn绘图时遇到了问题。先别着急，咱们从你给出的线性回归代码出发，一步步把多项式回归的正确写法和绘图逻辑理清楚——很多新手都会在特征转换和绘图细节上踩坑。

首先明确：多项式回归的核心是把原始特征转换成多项式特征，再用线性回归模型去拟合。你提到的sklearn.preprocessing里的PolynomialFeatures就是干这个的，这也是最容易出错的环节。

先确认你的线性回归代码合理性 #

你的线性回归代码是没问题的，逻辑完整且能正常生成图像：

# Linear regression
from sklearn import linear_model
clf = linear_model.LinearRegression()
x = data.loc[:, ['col1']]
y = data.loc[:, ['col2']]
clf.fit(x, y)
plt.scatter(x, y)
plt.plot(x, clf.predict(x))
plt.show()

这里因为x是线性特征，即使不排序也不会影响绘图效果，但多项式回归对数据顺序的要求就高多了。

完整的多项式回归+绘图代码（附关键踩坑提示） #

下面是修正后的完整代码，我标注了新手最容易出错的细节：

# 导入所有必要库
from sklearn import linear_model
from sklearn.preprocessing import PolynomialFeatures
import matplotlib.pyplot as plt

# 假设你的data已经是加载好的DataFrame
x = data.loc[:, ['col1']]
y = data.loc[:, ['col2']]

# 1. 生成多项式特征（以2次多项式为例，可修改degree调整次数）
# 关键参数include_bias=False：避免与LinearRegression自带的偏置项重复
poly_features = PolynomialFeatures(degree=2, include_bias=False)
x_poly = poly_features.fit_transform(x)

# 2. 拟合多项式回归模型（本质还是线性回归，只是特征是多项式形式）
clf_poly = linear_model.LinearRegression()
clf_poly.fit(x_poly, y)

# 3. 绘图：最容易出错的一步！必须先对x排序
# 原因：原始数据的x可能是无序的，直接plot会按原始顺序连线，导致曲线混乱
x_sorted = x.sort_values(by='col1')  # 按col1列排序
x_sorted_poly = poly_features.transform(x_sorted)  # 对排序后的x生成多项式特征

# 绘制原始数据散点和多项式回归曲线
plt.scatter(x, y, label='原始数据点')
plt.plot(x_sorted, clf_poly.predict(x_sorted_poly), color='#ff4444', label='2次多项式回归线')
plt.xlabel('col1')
plt.ylabel('col2')
plt.legend()
plt.show()

常见错误排查清单 #

• 忘记转换特征：直接把原始x传入LinearRegression，拟合的还是线性模型，根本不是多项式回归
• 绘图时未排序x：这是最常见的绘图错误，无序的x会让折线图看起来杂乱无章，完全不是预期的平滑曲线
• include_bias参数误用：如果保留默认的include_bias=True，LinearRegression会额外拟合一个偏置项，可能导致模型冗余，建议设为False

如果需要尝试更高次的多项式，只需要修改PolynomialFeatures的degree参数即可（比如设为3就是3次多项式）。

内容的提问来源于stack exchange，提问作者user9576657