PolynomialFeatures 维度爆炸因生成所有组合项，列数为 C(n+degree, degree)；实操需控制交互项、标准化、限制输入范围、避免盲目升阶及稀疏矩阵错误。
PolynomialFeatures 生成的特征矩阵为什么维度爆炸？
因为 PolynomialFeatures 默认会生成所有组合项（包括交互项和高次项），比如输入 2 维特征 [x1, x2]、degree=3，它会生成 [1, x1, x2, x1², x1x2, x2², x1³, x1²x2, x1x2², x2³] 共 10 列——不是简单地加平方项。维度增长是组合级的，公式为 C(n + degree, degree)，n 是原始特征数。
实操建议：
- 用
interaction_only=True关闭高次单项（如 x₁²），只保留交互项（如 x₁x₂），适合已知变量间存在耦合但无强自身非线性的情况 - 设
include_bias=False可省掉全 1 列，避免后续模型（如LinearRegression）重复加截距 - 对原始特征先做标准化（
StandardScaler）再传给PolynomialFeatures，否则高次项量纲差异极大，导致fit不稳定或收敛慢
多项式回归拟合后 predict 得到异常大/小的值？
这不是模型“坏了”，而是多项式在训练范围外极易震荡（Runge 现象）。哪怕训练集里 x ∈ [0.5, 2.0]，只要预测时出现 x=3.0，x³ 项就可能让输出偏离几个数量级。
实操建议：
- 永远检查预测前的输入范围：用
poly.transform(X_pred)前，确认X_pred的每列都在训练集对应列的 min/max 内（可用np.clip截断，但需业务上可接受） - 改用
make_pipeline(StandardScaler(), PolynomialFeatures(degree=2), LinearRegression())，比手动分步更安全，避免 scaler 和 poly 的 fit/transform 错配 - 如果必须外推，换模型：考虑
sklearn.ensemble.GradientBoostingRegressor或SGDRegressor(loss='huber')，它们对输入范围不敏感
PolynomialFeatures + LinearRegression 真的是“非线性回归”吗？
是，但仅限于对输入特征的非线性变换；模型本身仍是线性回归——即参数线性。它拟合的是 y = w₀ + w₁x + w₂x² + w₃x³ 这种形式，其中 w 是待估参数，x, x², x³ 被当作新特征。所以它不能表达 y = w₀ + w₁sin(x) + w₂log(x) 这类任意非线性映射。
实操建议：
- 验证是否真需多项式：画出原始
xvsy散点图，若弯曲明显且单调，degree=2常够用；若有多峰/拐点，多项式容易过拟合，应转向样条（sklearn.preprocessing.SplineTransformer）或树模型 - 别盲目升
degree：从 2 开始，用交叉验证看neg_mean_squared_error是否持续改善；一旦验证误差上升，说明过拟合已发生 -
PolynomialFeatures不支持稀疏矩阵输入，若原始特征是稀疏的（如文本 TF-IDF），先.toarray()再处理，否则报错TypeError: A sparse matrix was passed, but dense data is required
如何避免 Pipeline 中 PolynomialFeatures 导致的内存爆炸？
当原始特征多（比如 >50 列）且 degree≥3，生成的特征矩阵列数可达数千甚至上万，fit_transform 直接 OOM。这不是代码写错了，是组合爆炸的必然结果。
实操建议：
- 先用
VarianceThreshold去掉低方差特征，再进PolynomialFeatures，能显著减少无效交互项 - 用
PolynomialFeatures(degree=2, interaction_only=True, include_bias=False)代替全组合，列数从O(n²)降到O(n²)但系数更小（实际是n*(n−1)/2） - 对大数据，放弃显式构造特征矩阵：改用核技巧，例如
SVR(kernel='poly', degree=2)，它隐式计算多项式核，不生成中间特征
真正难的不是调 PolynomialFeatures 的参数，而是判断“这个问题到底适不适合用多项式”。看到弯曲就加 degree，是最常见的误用起点。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
