模型阶数对数据拟合与分类的影响

1、模块完成后运行包装器会生成两个图，第一个图展示数据以及不同阶数D的多项式拟合结果，第二个图展示每种拟合对数据集的平均误分类数。讨论这两个图呈现的结果。具体而言，描述随着图中所示阶数D的增加，模型的平均误分类数与它对生成数据的现象的表征能力之间的关系。

模型阶数对数据拟合与分类的影响

随着多项式阶数 $ D $ 增加：

• 在离散化数据情况下：
• 增加基元素数量能够产生更好的拟合效果
• 平均误分类数可能降低

• 模型对数据的表征能力提升

• 在更现实的含噪声数据集中：

• 过高的阶数 $ D $ 会导致过拟合
• 虽然模型能够紧密拟合已有数据，平均误分类数可能较低
• 但会将真实边界外错误标记的点也纳入其中
• 无法很好地代表潜在的数据生成函数

• 即对生成数据的现象的表征能力变差

• 相比之下：

• 较低阶数的多项式可能产生与真实边界匹配较好的分类器
• 能更好地反映潜在的数据生成现象

2、将poly_features模块放入ova_fixed_basis包装器中，并使用可从特定网站下载的bullseye_data.csv数据集。安装模块后，运行包装器以实现特定的预期结果。

按照要求，先从特定网站下载 poly_features 模块和 bullseye_data.csv 数据集，把 poly_features 模块放入 ova_fixed_basis 包装器，安装模块后运行包装器，从而实现特定的预期结果。

3、对位于2eggs_data.csv中的数据集进行留出法交叉验证。首先将该数据集随机分成k = 3个大小相等的子集（保留2个子集作为训练集，1个子集作为测试集）。使