可能重复：https://stats.stackexchange.com/questions/58739/polynomial-regression-using-scikit-learn。
出于某种原因，使用scikit-learn来完成这一点是否至关重要？你想要的操作可以很容易地使用numpy执行：

z = np.poly1d(np.polyfit(x,y,2))

之后，z(x)返回x处的拟合值。
一个scikit-learn解决方案几乎可以肯定只是一个 Package 器，围绕着相同的代码。

我相信萨尔瓦多达利here的回答会回答你的问题。在scikit-learn中，从数据中构造多项式特征就足够了，然后在扩展的数据集上运行线性回归。如果您有兴趣阅读一些关于它的文档，您可以在这里找到更多信息。为了方便起见，我将发布萨尔瓦多达利提供的示例代码：

from sklearn.preprocessing import PolynomialFeatures
from sklearn import linear_model

X = [[0.44, 0.68], [0.99, 0.23]]
vector = [109.85, 155.72]
predict= [0.49, 0.18]

poly = PolynomialFeatures(degree=2)
X_ = poly.fit_transform(X)
predict_ = poly.fit_transform(predict)

clf = linear_model.LinearRegression()
clf.fit(X_, vector)
print clf.predict(predict_)

AGML的答案可以 Package 在scikit-learn兼容的类中，如下所示：

class PolyEstimator:
    def __init__(self, degree=2):
        self.degree = degree

    def fit(self, x, y):
        self.z = np.poly1d(np.polyfit(x.flatten().tolist(), y, self.degree))

    def predict(self, x):
        return self.z(x.flatten().tolist())

下面是如何在一个整洁的管道中完成它

from sklearn.linear_model import LinearRegression
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import PolynomialFeatures, StandardScaler

model = Pipeline([
    ('scaler', StandardScaler()),
    ('poly', PolynomialFeatures(degree=3)),
    ('linear', LinearRegression())
])

model.fit(x, y)

model.predict([[1], [2]])