Скикит учиться; не может правильно построить график для полиномиальной регрессии

Question

Я только начал узнавать о полиномиальной регрессии. И я пытался создать заговор для полиномиальной регрессии, но заговор неверен.

Мой код такой

#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()

Этот код предназначен для модели линейной регрессии, и график таков.

и код для полиномиальной регрессии здесь

from sklearn.preprocessing import PolynomialFeatures

poly_reg = PolynomialFeatures(degree=2)
poly_x = poly_reg.fit_transform(x)

clf.fit(poly_x, y)

plt.scatter(x, y)
plt.plot(x, clf.predict(poly_x))

Сюжет не такой, как этот.

Я только начал узнавать об этом, и я просто попытался скопировать способ, которым делает какое-то руководство, поэтому мое понимание этого все еще плохо. Как я могу исправить этот сюжет, а также я буду признателен за хорошие ресурсы, чтобы понять концепцию.

Answer 1

Сначала необходимо отсортировать значения по X и y по значениям в X.

# This is your data
x = data.loc[:, ['col1']]
y = data.loc[:, ['col2']]

# This is what you need to do.
# argsort() will return the indices of the sorting order
inds = x.values.ravel().argsort()    # Here I am assuming that x has single feature     
x = x.values.ravel()[inds].reshape(-1,1)
y = y.values[inds]

# Then continue your code.
poly_reg = PolynomialFeatures(degree=2)
poly_x = poly_reg.fit_transform(x)

clf.fit(poly_x, y)

plt.scatter(x, y)
plt.plot(x, clf.predict(poly_x))
plt.show()

Answer 2

Попробуйте использовать pipeline, чтобы соответствовать и предсказать

пример:

poly_model = make_pipeline(PolynomialFeatures(7),
                       LinearRegression())

rng = np.random.RandomState(1)
x = 10 * rng.rand(50)
y = np.sin(x) + 0.1 * rng.randn(50)
xfit = np.linspace(0, 10, 1000)

poly_model.fit(x.reshape(-1,1), y)
yfit = poly_model.predict(xfit.reshape(-1,1))

plt.scatter(x, y)
plt.plot(xfit, yfit)

из приведенного выше примера, вы сможете понять, и очень важно использовать .reshape(-1,1), если у вас есть один столбец.

Посмотрите, поможет ли это вам понять ...