from sklearn.preprocessing import PolynomialFeatures from sklearn.pipeline import Pipeline from sklearn.linear_model import Ridge from sklearn.preprocessing import StandardScaler
def fit_and_predict(X_train, y_train, X_test):
#xtrain:numpy二维数组，由n个样本、k个特征组成的数据矩阵，形状是(n,k)。
#ytrain:numpy一维数组，由n个数据组成的标签，形状是(n,)。
#xtest:numpy二维数组，由m个测试、k个特征组成的数据矩阵，形状是(m,k)。
model = Pipeline([
('poly', PolynomialFeatures(6)),
('scaler', StandardScaler()),
('ridge', Ridge(alpha=0.5))
])
model.fit(X_train, y_train)
return model.predict(X_test)
#使用更大的alpha值可以减少模型过拟合的情况。同时也需要根据具体数据情况进行参数调整。
