如何将下面一组数据拟合成多项式函数：
data = np.array([
[0.0726, 0.52],
[0.0976, 0.44],
[0.0859, 0.38],
[0.0748, 0.33],
[0.0246, 0.31],
[0.0255, 0.32],
[0.0311, 0.25],
[0.1241, 0.43],
[0.0432, 0.58],
[0.0699, 0.59]
])
# 样本数据
y = data[:, 0].reshape(-1, 1)
X = data[:, 1].reshape(-1, 1)
多项式拟合以及画图代码：
# 使用多少阶多项式来拟合
poly_reg = PolynomialFeatures(degree=10, include_bias=False)
X_poly = poly_reg.fit_transform(X)
lin_reg = LinearRegression()
# 拟合多项式线性回归
lin_reg.fit(X_poly, y)
# 多项式系数从0次到最高次
print '多项式系数：', lin_reg.intercept_, (lin_reg.coef_[0])
print 'y = ', lin_reg.intercept_[0],
for i, v in enumerate(lin_reg.coef_[0]):
print ' + ', v, ' * (X^', i+1, ')'
# Visualising the Polynomial Regression results
# 将x分成多段，可以使生成的曲线更平滑
X_grid = np.arange(min(X), max(X), 0.001)
X_grid = X_grid.reshape(len(X_grid), 1)
plt.scatter(X, y, c="red")
plt.plot(X_grid, lin_reg.predict(poly_reg.fit_transform(X_grid)))
plt.title = "(polynimal regression)"
plt.xlabel = "资产负债率（x）"
plt.ylabel = "净资产收益率（y）"
plt.show()
二阶多项式拟合效果：
修改poly_reg = PolynomialFeatures(degree=4, include_bias=False)
4阶多项式拟合效果：
