为此，您需要分两步进行。让我们假设您正在使用 iris 数据集（因此您有一个可重现的示例）：
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import PolynomialFeatures
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
data = load_iris()
X = data.data
y = data.target
X_train, X_test, y_train, y_test = train_test_split(X, y)
Step 1
首先，您需要将数据转换为多项式特征。最初，我们的数据有 4 列：
X_train.shape
>>> (112,4)
您可以使用 scikit learn 创建多项式特征（此处为 2 阶）：
poly = PolynomialFeatures(degree = 2, interaction_only=False, include_bias=False)
X_poly = poly.fit_transform(X_train)
X_poly.shape
>>> (112,14)
我们知道有 14 个特征（原来的 4 个、它们的平方和 6 个交叉组合）
Step 2
在此基础上，您现在可以构建逻辑回归调用X_poly
lr = LogisticRegression()
lr.fit(X_poly,y_train)
注意：如果您想根据测试数据评估您的模型，您还需要遵循以下两个步骤并执行以下操作：
lr.score(poly.transform(X_test), y_test)
将所有内容放在管道中（可选）
您可能希望使用 Pipeline 在一个对象中处理这两个步骤，以避免构建中间对象：
pipe = Pipeline([('polynomial_features',poly), ('logistic_regression',lr)])
pipe.fit(X_train, y_train)
pipe.score(X_test, y_test)
