共計 774 個字符，預計需要花費 2 分鐘才能閱讀完成。

要實現多元非線性回歸，可以使用 scikit-learn 庫中的 PolynomialFeatures 類來進行特征轉換，然后使用線性回歸模型進行擬合。

下面是一個示例代碼，演示了如何使用多元非線性回歸模型擬合一個二次函數的數據：

import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures

# 生成樣本數據 
X = np.array([1, 2, 3, 4, 5]).reshape((-1, 1))
y = np.array([3, 6, 9, 16, 25])

# 創建多項式特征轉換器 
poly = PolynomialFeatures(degree=2)
X_poly = poly.fit_transform(X)

# 創建線性回歸模型 
model = LinearRegression()

# 擬合數據 
model.fit(X_poly, y)

# 預測結果 
X_test = np.array([6]).reshape((-1, 1))
X_test_poly = poly.transform(X_test)
y_pred = model.predict(X_test_poly)

print(" 預測結果：", y_pred)

在上述代碼中，首先使用 PolynomialFeatures 類將輸入特征 X 轉換為多項式特征 X_poly。然后，使用 LinearRegression 類創建線性回歸模型，并使用擬合方法 fit 來擬合數據。最后，使用 transform 方法將測試數據 X_test 轉換為多項式特征 X_test_poly，并使用 predict 方法預測結果。

請根據自己的數據調整多項式特征的階數 (degree)，以及其他超參數，以獲得最佳的擬合效果。

丸趣 TV 網 – 提供最優質的資源集合！