sklearn的多项式特征和多项式回归

Question

我有两个问题：

1. 多项式特征上companies = [('amazon',0),('boeing',1),('target',2),('tesla',3),('walmart',4)] def add_company(company_tuple): score_types = [('article','ArticleScore'), ('blog','BlogScore'), ('news','NewsScore')] # calculate scores for type in score_types: score = keywords.loc[(keywords['Company'] == company_tuple[0]) & (keywords['DocumentType'] == type[0]),'Polarity'].sum() keydata.loc[keydata.index[company_tuple[1]], type[1]] = score return for company in companies: add_company(company) 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（由我们选择程度）。
   例如：

fit_transform

因此，结果是一个二维多项式，其中df [firstColumn]和df [secondColumn]为变量。

2）在多项式回归中，为什么我们需要使用fit_tranform？背后的逻辑是什么？
例如，

from sklearn.preprocessing import PolynomialFeatures

poly=PolynomialFeatures(degree=2)

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

Answer 1

来自sklearn documentation：

  

sklearn.preprocessing.PolynomialFeatures
  产生新功能   由特征的所有多项式组合组成的矩阵   小于或等于指定度数的度数。例如，如果   输入样本是二维的，形式为[a，b]，度为2   多项式特征为[1，a，b，a ^ 2，ab，b ^ 2]。

所以，这完全符合您的想法。

  

fit_transform（self，X，y = None，** fit_params）
使变压器适合X和   具有可选参数fit_params的y，并返回转换后的   X的版本。

在sklearn中，fit()仅计算参数并将其保存为内部对象状态。之后，您可以调用其transform()方法以将转换应用于一组特定的示例。

fit_transform()参加了这两个步骤，用于对训练集x上的参数进行初始拟合，但它也会返回转换后的x'。在内部，它仅在相同数据上首先调用fit()，然后调用transform()。