本文接上篇：Scikit-Learn线性回归(一)
上篇中，我们详细介绍了线性回归的概念、原理和推导，以及通过由浅入深的案例，详解了Scikit-Learn线性回归模型的基本使用。本文主要介绍N阶多项式回归，它属于线性回归的特殊情况
线性回归研究的是一个自变量与一个因变量之间的回归问题。在实际应用中，并不是所有的情景都符合线性关系，大多数情况都是非线性的
例如，二阶曲线、三阶曲线等。这种该如何处理呢？
令人意想不到的是，其实你也可以用线性模型来拟合非线性数据。一个简单的方法就是为每个特征的幂次方添加为一个新特征，然后在这个拓展过的特征集上训练线性模型。这种方法被称为多项式回归
多项式回归的基本思想是：以线性回归为基础，拓展数据集特征空间的维度，且被拓展的特征空间维度上的数据是给定数据集相关项的多项式项
多选线性回归需要使用Scikit-Learn的PolynomialFeatures对X进行处理，它会将X转化为多个特征，分别对应x0、x1、x2、…
例如，我们使用二次方程y=ax2+bx+c生成一些非线性数据，Scikit-Learn预处理模块中的PolynomialFeatures类提供了这种支持：将训练数据（只有一个特征：x）进行转换，将每个特征的幂次方（此处为平方，即x2）作为新特征加入训练集，在新的数据集上进行线性拟合
PolynomialFeatures会在给定的多项式阶数下，添加所有的特征组合。例如，有两个特征x和y，阶数degree=3，PolynomialFeatures不只会添加特征x2、x3、y2和y3，还会添加组合xy、x2y及xy2。要小心特征组合的数量爆炸！
假设我们的样本符合三次曲线：y=ax3+bx2+cx+d，根据线性回归方程定义，我们假设我们的模型函数为： f ( x 3 , x 2 , x 1 ) = a x 3 + b x 2 + c x 1 + d f(x_3,x_2,x_1)=ax_3+bx_2~+cx_1+d f(x3?,