PolynomialFeatures不能直接套用线性模型的fit方法，因为它不是模型，不具coef_、intercept_等属性，仅负责特征变换；必须与LinearRegression等模型组合使用（如Pipeline），且训练集与测试集需用同一实例的transform处理。
PolynomialFeatures 为什么不能直接套用线性模型的 fit 方法
PolynomialFeatures 本身不是模型，它不带 fit_predict，也没有 coef_ 或 intercept_。它只做一件事：把原始特征矩阵 X（比如 shape 为 (n_samples, 1)）转换成包含幂次项和交互项的新矩阵（比如 (n_samples, 3)：[x, x², x³]）。你必须把它和 LinearRegression 这类模型组合使用，常见方式是用 Pipeline，否则容易忘记先调 fit_transform 再送进模型。
- 单独调
poly.fit(X)没错，但没输出；必须接.transform(X)或.fit_transform(X)才生成新特征 - 训练集和测试集必须用同一个
PolynomialFeatures实例转换——不能对测试集重新fit_transform，否则维度可能不一致或引入数据泄露 - 如果手动拼接，记得对测试集只调
transform，否则会报ValueError: Dimensionality of the output array is incorrect
degree=2 时到底生成了哪些列？怎么验证
当输入是二维特征 [[a, b]]，PolynomialFeatures(degree=2, include_bias=True) 输出是：[1, a, b, a², ab, b²]。顺序固定，可通过 get_feature_names_out() 查看（注意不是 get_feature_names()，后者在新版本已弃用）。若设 include_bias=False，首项 1 就没了；若设 interaction_only=True，则去掉 a² 和 b²，只剩 [a, b, ab]。
- 用
poly = PolynomialFeatures(degree=2); poly.fit_transform([[1, 2]])得到数组后，立刻跟一句poly.get_feature_names_out(['x1', 'x2'])，就能看到每列对应什么表达式 - 列数 =
sklearn.preprocessing._polynomial.compute_n_output_features可算出理论数量，但没必要手算，直接 print 形状更可靠 - 高维输入（如 5 个原始特征 + degree=3）会爆炸式增长列数，
PolynomialFeatures默认不限制，容易 OOM，建议先检查poly.fit_transform(X).shape[1]
用 Pipeline 套住 PolynomialFeatures + LinearRegression 最省事
这是最不容易出错的写法。Pipeline 保证训练时先拟合 PolynomialFeatures 再拟合 LinearRegression，预测时自动按顺序调 transform 和 predict，不用手动管理中间步骤。
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
pipe = Pipeline([
('poly', PolynomialFeatures(degree=3)),
('lr', LinearRegression())
])
pipe.fit(X_train, y_train)
y_pred = pipe.predict(X_test)
- 想提取拟合后的多项式系数？别从
pipe['lr'].coef_直接读——它的长度等于多项式项数，得配合pipe['poly'].get_feature_names_out()对齐才有意义 - 如果后续要保存模型，
joblib.dump(pipe, 'poly_lr.pkl')即可，不用分别存两个对象 - 交叉验证（如
cross_val_score(pipe, X, y)）也能直接传 Pipeline，底层自动处理特征变换
过拟合信号明显时，别急着调高 degree，先看是否该加正则化
单纯提高 degree 容易让模型在训练集上 R² 接近 1，但在测试集上剧烈下降，尤其样本少、噪声大时。这时 Ridge 或 Lasso 比硬上 degree=5 更稳健。
立即学习“Python免费学习笔记（深入）”；
- 把 Pipeline 中的
LinearRegression换成Ridge(alpha=1.0)，往往比升 degree 更有效，且系数更稳定 -
PolynomialFeatures生成的高维特征天然适合 L2 正则，因为各列量纲差异大（x和x⁵数值范围可能差 10⁶ 倍），Ridge 能缓解这个问题 - 如果原始特征没标准化，
PolynomialFeatures后直接接线性模型，其实隐含了对低次项“宽容”、对高次项“严苛”的偏差——所以最好在 Pipeline 开头加StandardScaler
PolynomialFeatures 的 feature_names_in_ 属性只在调用 fit 后才存在，而很多自动化服务假设所有预处理器都有该属性。如果用旧版 scikit-learn 或自定义封装，这里可能抛 AttributeError。 
