文章探讨了特征选择在模型构建中的重要性，以房价预测为例，解释了如何从原始特征创建新的特征，如房子的尺寸，以改进线性回归模型。还介绍了多项式回归的概念，用于处理非线性关系，通过二次和三次模型展示了如何适应不同数据趋势。特征缩放在高次多项式模型中也得到强调，并提出了选择合适模型需结合对函数图像的理解和数据趋势的知识。
选择特征（一千个特征，一千种模型）
以房价问题为例，假设数据集中有两个特征，分别是房子的宽度和长度，我们就可以建立一个这样的线性回归模型，其对应的假设函数 h θ ( x ) = θ 0 + θ 1 × f r o n t a g e + θ 2 × d e p t h h_θ(x)=\theta_0+θ_1×frontage+θ_2×depth hθ(x)=θ0+θ1×frontage+θ2×depth， f r o n t a g e frontage frontage 对应 x 1 x_1 x1， d e p t h depth depth 对应 x 2 x_2 x2，但我们不一定非要使用这两个特征来进行预测，我们可以自己创造新的特征。
比如，对于上述的问题，我们觉得真正影响房价的是房子的大小，所以我们可以定义一个新特征 s i z e = f r o n t a g e × d e p t h size=frontage×depth size=
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
