多项式岭回归：如何获取拟合得到的方程参数

要从你的Pipeline模型中提取出对应原始数据的多项式系数（如$ax³+bx²+cx+d$中的a、b、c、d），需要考虑特征标准化和多项式特征生成的逆转换，具体步骤如下：

1. 提取最佳流水线模型 #

假设你用GridSearchCV完成了网格搜索，先获取最优模型实例：

# 假设grid_search是你的GridSearchCV拟合后的对象
best_pipe = grid_search.best_estimator_

2. 拆分流水线组件 #

从最优模型中取出标准化器、多项式特征生成器和岭回归模型：

scaler = best_pipe.named_steps['scaler']
poly = best_pipe.named_steps['poly']
ridge = best_pipe.named_steps['ridge']

3. 提取关键参数 #

获取标准化的均值、标准差，以及岭回归的系数和截距：

# 单特征场景下的标准化参数（你的问题是一元多项式，所以取索引0）
mu = scaler.mean_[0]
sigma = scaler.scale_[0]

# 岭回归的系数和截距
coef = ridge.coef_
intercept = ridge.intercept_

4. 转换为原始数据的多项式系数 #

根据你选择的多项式次数（degree），将标准化后的系数转换为原始x的多项式系数：

当degree=3时（目标形式：$y = ax³ + bx² + cx + d$） #

# 注意：PolynomialFeatures默认include_bias=True，特征顺序为[1, x_scaled, x_scaled², x_scaled³]
c0 = coef[0]  # 对应常数项特征1的系数
c1 = coef[1]  # 对应x_scaled的系数
c2 = coef[2]  # 对应x_scaled²的系数
c3 = coef[3]  # 对应x_scaled³的系数

# 计算原始x的多项式系数
a = c3 / (sigma ** 3)
b = (-3 * mu * c3) / (sigma ** 3) + c2 / (sigma ** 2)
c = (3 * mu**2 * c3) / (sigma **3) + (-2 * mu * c2)/(sigma**2) + c1/sigma
d = intercept + c0 + (-mu**3 * c3)/(sigma**3) + (mu**2 * c2)/(sigma**2) + (-mu * c1)/sigma

当degree=2时（目标形式：$y = bx² + cx + d$） #

# 特征顺序为[1, x_scaled, x_scaled²]
c0 = coef[0]
c1 = coef[1]
c2 = coef[2]

b = c2/(sigma**2)
c = (-2*mu*c2)/(sigma**2) + c1/sigma
d = intercept + c0 + (mu**2 * c2)/(sigma**2) + (-mu*c1)/sigma
a = 0  # 三次项系数为0

5. 验证结果 #

可以通过对比流水线预测和多项式计算的结果，确认系数正确性：

x_test = 5.0  # 任意测试值
y_pred_pipe = best_pipe.predict([[x_test]])[0]
y_pred_eq = a * x_test**3 + b * x_test**2 + c * x_test + d

print(f"流水线预测值：{y_pred_pipe:.4f}")
print(f"多项式计算值：{y_pred_eq:.4f}")

注意事项 #

• 如果你的PolynomialFeatures设置了include_bias=False，则岭回归的fit_intercept默认是True，此时coef的长度等于degree（无常数项特征的系数），计算时去掉c0相关项即可。
• 所有计算基于单特征回归（即你要拟合的是一元多项式），如果是多特征场景，需要调整索引和转换逻辑。

内容的提问来源于stack exchange，提问作者MikeB2019x