大家好呀呀呀，这里是X，机器学习脚步不能停！！！🍗🍚🧆
这篇博客必搞懂在机器学习里这两者的区别和联系,欢迎收藏~✨
我们把包括两个或两个以上自变量的回归称为多元线性回归
再说一次什么是“回归”：
我们想知道两个变量之间的关系，我们可以用直线的斜率来表示X和Y，那么由图中的点确定线的这样的一个过程就是回归
大概长这样：
多项式回归，回归函数是回归变量多项式的回归。多项式回归模型是线性回归模型的一种，此时回归函数关于回归系数是线性的。
多项式回归的最大优点就是可以通过增加x的高次项对实测点进行逼近，直至满意为止。
大概长这样：
我们直接先观察多元线性回归的表达式，可以看到都是“一次幂”的
在处理pizza价格预估问题的时候，出现过一个问题，那就是我们已经知道了pizza的直径会影响价格，那么还有什么其他的因素会影响价格呢？😏😏
（如果对pizza问题不了解的朋友可以先去看一下在简单线性回归问题时，pizza问题雏形是什么样的，这里附上一个🔗，是我自己总结的比较“水的”pizza简单线性回归问题：传送门）
一次幂的意思我的理解就是：
举pizza例子，它和直径有关，它也可以和pizza配料有关，🥎并且它们和价格y的关系都是“线性的”，注意这里，是有其他的变量，就是有直径、有配料，等等
之前我们只有直径来评估，现在多了一个解释变量，那么这么做就提升了模型的性能
那么现在问题来了:如果pizza直径和价格y之间不是线性关系怎么办呢？
那么这个时候就会用到——多项式回归
大家观察上面的式子也可以发现，多项式回归的自变量，它不是“一次幂”，它可能有“很多幂”，并且自变量只有一个，自变量x和因变量y之间的关系被建模为n次多项式，那么这个时候我们怎么处理呢？
首先，我们怎么得到其他次幂的自变量？
在机器学习中，我们要对这样的式子进行“预处理”——PolynomialFeatures转换器
PolynomialFeatures转换器：可以用于为一个特征表示增加多项式特征
特征就是不是只有一次幂，而是有高次幂🎨
而且这还要根据数据的发展趋势来进行来决定,当太过于复杂时,那么多项式回归就不在适合于处理这组数据.🛶
适合的情况，像这样：
关于这个的用法，推荐大家去看两篇博客：传送门1，传送门2，因为这个部分没啥好细说的，这个部分在机器学习里是属于“预处理”部分👨🏫，我相信看这两篇文章对这个转换器的用法已经非常清楚了😏
