步骤1：导入库和数据集
导入重要的库和我们用于执行多项式回归的数据集。

# Importing the libraries

import numpy as np

import matplotlib.pyplot as plt

import pandas as pd

# Importing the dataset

datas = pd.read_csv('data.csv')

datas

第2步：将数据集分为2个组件

将数据集划分为两个组件，即X和yX将包含1到2之间的列.y将包含2列。

X = datas.iloc[:, 1:2].values

y = datas.iloc[:, 2].values

第3步：将线性回归拟合到数据集

拟合线性回归模型在两个组件上

# Fitting Linear Regression to the dataset

from sklearn.linear_model import LinearRegression

lin = LinearRegression()

lin.fit(X, y)

第4步：将多项式回归拟合到数据集

将多项式回归模型拟合在两个分量X和y上

# Fitting Polynomial Regression to the dataset

from sklearn.preprocessing import PolynomialFeatures

poly = PolynomialFeatures(degree = 4)

X_poly = poly.fit_transform(X)

poly.fit(X_poly, y)

lin2 = LinearRegression()

lin2.fit(X_poly, y)

步骤5：在此步骤中，我们使用散点图可视化线性回归结果。

# Visualising the Linear Regression results

plt.scatter(X, y, color = 'blue')

plt.plot(X, lin.predict(X), color = 'red')

plt.title('Linear Regression')

plt.xlabel('Temperature')

plt.ylabel('Pressure')

plt.show()