需要在sklearn的Polynomial Features中寻求帮助。它在一个特征方面运作得相当不错，但是每当我添加多个特征时，它还会输出一些除了值的幂次方之外的值。
例如：对于这个数组，
X=np.array([[230.1,37.8,69.2]])
当我尝试时
X_poly=poly.fit_transform(X)
它输出
[[ 1.00000000e+00 2.30100000e+02 3.78000000e+01 6.92000000e+01
5.29460100e+04 8.69778000e+03 1.59229200e+04 1.42884000e+03
2.61576000e+03 4.78864000e+03]]
这里，8.69778000e+03,1.59229200e+04,2.61576000e+03 是什么？
如果您拥有特征[a, b, c]，则默认的多项式特征（在sklearn中，阶数为2）应为[1, a, b, c, a^2, b^2, c^2, ab, bc, ca]。
2.61576000e+03是37.8x62.2=2615.76（2615.76 = 2.61576000 x 10^3）
通过使用PolynomialFeatures，可以简便地创建新特征。这里有一个好的参考链接。当然，使用PolynomialFeatures也存在缺点（“过度拟合”），请参见此处。
编辑：
使用多项式特征时需要注意。计算多项式特征数量的公式为N(n,d)=C(n+d,d)，其中n是特征数，d是多项式的次数，C是组合数。在我们的例子中，数字为C(3+2,2)=5!/(5-2)!2!=10，但当特征数或次数较高时，多项式特征将变得过多。例如：
N(100,2)=5151
N(100,5)=96560646
因此，在这种情况下，您可能需要应用正则化来惩罚一些权重。很可能算法会开始受到维度诅咒的影响（这里也有一个非常好的讨论）。
PolynomialFeatures 会生成一个新矩阵，该矩阵包含给定次数的所有特征的多项式组合。
例如，对于二次项(degree 2)，[a] 会被转换为 [1,a,a^2]。
您可以将输入数据的转换过程可视化为由 PolynomialFeatures 生成的矩阵。
from sklearn.preprocessing import PolynomialFeatures
a = np.array([1,2,3,4,5])
a = a[:,np.newaxis]
poly = PolynomialFeatures(degree=2)
a_poly = poly.fit_transform(a)
print(a_poly)
输出：
[[ 1. 1. 1.]
[ 1. 2. 4.]
[ 1. 3. 9.]
[ 1. 4. 16.]
[ 1. 5. 25.]]
你可以看到以[1，a，a^2]形式生成的矩阵。
为了观察散点图上的多项式特征，让我们使用数字1-100。
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import PolynomialFeatures
#Making 1-100 numbers
a = np.arange(1,100,1)
a = a[:,np.newaxis]
#Scaling data with 0 mean and 1 standard Deviation, so it can be observed easily
scaler = StandardScaler()
a = scaler.fit_transform(a)
#Applying PolynomialFeatures
poly = PolynomialFeatures(degree=2)
a_poly = poly.fit_transform(a)
#Flattening Polynomial feature matrix (Creating 1D array), so it can be plotted.
a_poly = a_poly.flatten()
#Creating array of size a_poly with number series. (For plotting)
xarr = np.arange(1,a_poly.size+1,1)
#Plotting
plt.scatter(xarr,a_poly)
plt.title("Degree 2 Polynomial")
plt.show()
输出：
将度数更改为3，我们得到：
检查特征的一般方法是使用poly.get_feature_names()。在这种情况下，它将是
>>> poly.get_feature_names(['a','b','c'])
['1', 'a', 'b', 'c', 'a^2', 'a b', 'a c', 'b^2', 'b c', 'c^2']
而8.69778000e+03,1.59229200e+04,2.61576000e+03则对应于a*b，a*c和b*c 项，分别对应。
您有三维数据，下面的代码可以生成所有二次多项式特征：
X=np.array([[230.1,37.8,69.2]])
from sklearn.preprocessing import PolynomialFeatures
poly = PolynomialFeatures()
X_poly=poly.fit_transform(X)
X_poly
#array([[ 1.00000000e+00, 2.30100000e+02, 3.78000000e+01,
# 6.92000000e+01, 5.29460100e+04, 8.69778000e+03,
# 1.59229200e+04, 1.42884000e+03, 2.61576000e+03,
# 4.78864000e+03]])
a, b, c = 230.1, 37.8, 69.2 # 3-dimensional data
np.array([[1,a,b,c,a**2,a*b,c*a,b**2,b*c,c**2]]) # all possible degree-2 polynomial features
# array([[ 1.00000000e+00, 2.30100000e+02, 3.78000000e+01,
6.92000000e+01, 5.29460100e+04, 8.69778000e+03,
1.59229200e+04, 1.42884000e+03, 2.61576000e+03,
4.78864000e+03]])
(11, 1)的数组，那么所有可能的特征将是什么？ - Anoushiravan R
sklearn中默认的PolynomialFeatures包括所有的多项式组合。你可以添加interaction_only=True来排除像a^2, b^2, c^2这样的幂次。当然，如果你的模型表现更好，你也可以排除交互作用 -PolynomialFeatures是一种简单的方法来以某种人为的方式派生新特征。 - dimbc的位置是正确的。查看poly.get_feature_names(['a','b','c'])，将会得到['1', 'a', 'b', 'c', 'a^2', 'a b', 'a c', 'b^2', 'b c', 'c^2']。 - Niko Pasanen