回归就是预测数值，而分类是给数据打上标签归类。

本例中使用一个2次函数加上随机的扰动来生成500个点，然后尝试用1、2、100次方的多项式对该数据进行拟合。

拟合的目的是使得根据训练数据能够拟合出一个多项式函数，这个函数能够很好的拟合现有数据，并且能对未知的数据进行预测。

import matplotlib.pyplot as plt import numpy as np import scipy as sp from scipy.stats import norm from sklearn.pipeline import Pipeline from sklearn.linear_model import LinearRegression from sklearn.preprocessing import PolynomialFeatures from sklearn import linear_model ''' 数据生成 ''' x = np.arange(0, 1, 0.002) y = norm.rvs(0, size=500, scale=0.1) y = y + x**2 ''' 均方误差根 ''' def rmse(y_test, y):     return sp.sqrt(sp.mean((y_test - y) ** 2)) ''' 与均值相比的优秀程度，介于[0~1]。0表示不如均值。1表示完美预测.这个版本的实现是参考scikit-learn官网文档  ''' def R2(y_test, y_true):     return 1 - ((y_test - y_true)**2).sum() / ((y_true - y_true.mean())**2).sum() ''' 这是Conway&White《机器学习使用案例解析》里的版本 ''' def R22(y_test, y_true):     y_mean = np.array(y_true)     y_mean[:] = y_mean.mean()     return 1 - rmse(y_test, y_true) / rmse(y_mean, y_true) plt.scatter(x, y, s=5) degree = [1,2,100] y_test = [] y_test = np.array(y_test) for d in degree:     clf = Pipeline([('poly', PolynomialFeatures(degree=d)),('linear', LinearRegression(fit_intercept=False))])     clf.fit(x[:, np.newaxis], y)     y_test = clf.predict(x[:, np.newaxis])     print(clf.named_steps['linear'].coef_)     print('rmse=%.2f, R2=%.2f, R22=%.2f, clf.score=%.2f'%           (rmse(y_test, y),R2(y_test, y), R22(y_test, y),            clf.score(x[:, np.newaxis], y)))     plt.plot(x, y_test, linewidth=2) plt.grid() plt.legend(['1','2','100'], loc='upper left') plt.show()

 

 原文出处：https://blog.csdn.net/lsldd/article/details/41251583（转载）