滑雪板的多项式特征与多项式回归

Question

我有两个问题：

1. fit_transform对多项式特征的输出是什么(数字是什么意思)？如果我错了，请纠正我，但据我所知，这种方法适合并将我们的变量转换为多项式模型(由我们选择的程度)。 例如：

from sklearn.preprocessing import PolynomialFeatures

poly=PolynomialFeatures(degree=2)

poly.fit_transform(df[[firstColumn,secondColumn]],df[targetColumn])

因此，结果是一个以dffirstColumn和dfsecondColumn为变量的二维多项式.

2)在多项式回归中，为什么要使用fit_tranform？背后的逻辑是什么？

例如,

Xpoly=poly.fit_transform(X)

lin=LinearRegression()

lin.fit(Xpoly,y)

Answer 1

来自滑雪文献

sklearn.preprocessing.PolynomialFeatures 生成一个新的特征矩阵，该矩阵由所有特征的多项式组合而成，其度小于或等于指定的程度。例如，如果输入样本是二维的，并且形式为a，b，则2次多项式特征为1，a，b，a^2，ab，b^2。

所以，这和你想的完全一样。

fit_transform(self，X，y=None，**fit_params) 使用可选参数fit_params将转换器安装到X和y，并返回X的转换版本。

在sklearn中，fit()只计算参数并将它们保存为内部对象状态。之后，您可以调用它的transform()方法将转换应用于特定的示例集。

fit_transform()将这两个步骤连接起来，用于对训练集x上的参数进行初始拟合，但它也返回一个转换后的x‘。在内部，它只对相同的数据首先调用fit()，然后调用transform()。