以下是代码：

from sklearn.preprocessing import PolynomialFeaturesimport matplotlib.pyplot as pltpoly_reg = PolynomialFeatures(degree = 4)      x_poly = poly_reg.fit_transform(x)lin_reg2 = LinearRegression()lin_reg2.fit(x_poly, y)plt.title("Polynomial Regression")plt.xlabel("Position Level")plt.ylabel("Salary")plt.scatter(x, y, color ='red')plt.plot(x, lin_reg2.predict(poly_reg.fit_transform(x)), color = 'blue')plt.show()

为什么我们使用以下代码：

plt.plot(x, lin_reg2.predict(poly_reg.fit_transform(x)), color = 'blue')

而不是使用：

plt.plot(x_poly, lin_reg2.predict(x_poly), color = "blue")

回答：

在这一行代码中：

plt.plot(x, lin_reg2.predict(poly_reg.fit_transform(x)), color = 'blue')

1) 我们使用x而不是x_poly的原因是，在绘制回归数据时，你希望在图表上看到原始的x值（而不是经过fit_transform()方法处理后的居中值），因为你希望看到原始值的预测结果。如果看到居中值的预测结果会让你感到困惑，并且除非你将其转换回原始值，否则意义不大。

2) 在预测y值时，模型的输入需要是转换后的x值。这就是为什么我们首先转换x，然后用它来预测y。我认为在这里使用predict(x_poly)也可以达到同样的目的。

希望这对你有帮助！