要實現多元非線性回歸，可以使用scikit-learn庫中的PolynomialFeatures類來進行特征轉換，然后使用線性回歸模型進行擬合。
下面是一個示例代碼，演示了如何使用多元非線性回歸模型擬合一個二次函數的數據：
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
# 生成樣本數據
X = np.array([1, 2, 3, 4, 5]).reshape((-1, 1))
y = np.array([3, 6, 9, 16, 25])
# 創建多項式特征轉換器
poly = PolynomialFeatures(degree=2)
X_poly = poly.fit_transform(X)
# 創建線性回歸模型
model = LinearRegression()
# 擬合數據
model.fit(X_poly, y)
# 預測結果
X_test = np.array([6]).reshape((-1, 1))
X_test_poly = poly.transform(X_test)
y_pred = model.predict(X_test_poly)
print("預測結果：", y_pred)
在上述代碼中，首先使用PolynomialFeatures類將輸入特征X轉換為多項式特征X_poly。然后，使用LinearRegression類創建線性回歸模型，并使用擬合方法fit來擬合數據。最后，使用transform方法將測試數據X_test轉換為多項式特征X_test_poly，并使用predict方法預測結果。
請根據自己的數據調整多項式特征的階數(degree)，以及其他超參數，以獲得最佳的擬合效果。
