PolynomialFeatures默认生成含平方项的全组合，设interaction_only=True才只生成不同特征间的交叉项；输入须为二维数组，高degree易致维度爆炸，应提前用n_output_features_检查。
PolynomialFeatures 默认就生成交叉特征，但得设对 degree 和 interaction_only
默认情况下 PolynomialFeatures(degree=2) 不仅生成平方项（如 x1**2），还会生成所有两两交叉项（如 x1*x2, x1*x3）。但如果你只想要纯交叉项（不要 x1**2 这类自身幂次），必须显式设置 interaction_only=True。
常见错误是以为 degree=2 就自动“只做交叉”，结果发现输出里混着 x0^2, x1^2 等项，导致模型过拟合或解释性变差。
-
interaction_only=False（默认）：生成所有组合，包括x0^2,x0*x1,x1^2 -
interaction_only=True：只生成不同特征间的乘积，如x0*x1,x0*x2,x1*x2，不含任何平方或高次自身幂 - 若只需要一阶+二阶交叉（不要常数项），可配合
include_bias=False
输入必须是二维数组，一维数组会报 ValueError
PolynomialFeatures.fit_transform() 要求输入是 shape 为 (n_samples, n_features) 的二维结构。直接传 np.array([1, 2, 3]) 会触发 ValueError: Expected 2D array, got 1D array instead。
实操中容易忽略 reshape 步骤，尤其在单特征场景下：
立即学习“Python免费学习笔记（深入）”；
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
- 单列特征（如
X = np.array([1, 2, 3, 4]).reshape(-1, 1)）→ 合法 - 单行特征（
.reshape(1, -1)）→ 也合法，但样本数变成 1，通常不是你想要的 - 用
pd.Series直接传入？必须先转成.values.reshape(-1, 1)，否则可能因 pandas 特殊索引行为出错
注意 feature_names_out() 在 scikit-learn 1.0+ 才有，旧版本得手写映射
想查生成的列对应哪些原始特征组合？新版（scikit-learn ≥ 1.0）可直接调用 poly.get_feature_names_out(['x0', 'x1']) 得到 ['x0', 'x1', 'x0 x1'] 这类可读名。但老版本（如 0.24）不支持该方法，调用会报 AttributeError。
兼容写法只能靠手动推导：
- 用
poly.powers_查每列的指数元组，例如(1, 1)表示x0^1 * x1^1 - 结合原始特征名列表，拼出字符串（需自己写循环）
- 若用在 Pipeline 中且后续要 GridSearchCV，建议升级到 1.0+，否则特征名缺失会影响调试和日志可读性
高维特征 + 高 degree 容易爆炸，先 check n_output_features_
PolynomialFeatures 输出维度增长极快：对 n 个原始特征、degree=d，理论最大列数是 C(n+d, d)。比如 10 个特征 + degree=3 → 最多 286 列；升到 degree=4 就跳到 1001 列。
别等 fit_transform 报内存错误才意识到问题——训练前先看：
-
poly.fit(X).n_output_features_返回预计列数，远超预期就该降degree或先筛选原始特征 -
interaction_only=True能显著缓解：从组合数C(n+d,d)降到2^n子集（实际是C(n,2)+C(n,3)+...），但仍随n指数增长 - 超过 50 维输出时，建议加
memory='auto'防止中间缓存撑爆 RAM
交叉特征有用，但爆炸式膨胀不是所有场景都扛得住——尤其是线上服务对延迟敏感时，连特征构造耗时都得掐秒算。
