特征工程:
· 特征的选择会对学习算法的性能产生较大的影响。
例:预测房屋价格
特征值 表示地块临街面的大小。
特征值 表示地块大小的长度。
然而比起单独采用房屋临街面和房屋地块长度,也许采用房屋地块的面积也能作为预测房屋价格的一个很重要的因素。因此引入新的特征值:
特征值 表示房屋地块的面积。
因此,通过对一些更有用的特征的引入与建立,往往能够获得更好的模型,而这便是特征工程。
多项式回归:
例:当数据更适合用曲线而不是直线去拟合时,可以采用多项式回归来得到更合适的模型。
在这种情况下,选择引入平方项和立方项是一种可以更好地拟合曲线数据的方法。
※ 注意,当模型中引入了平方项特征值、立方项特征值时,务必要记得特征缩放!
然而,这种方法拟合出来的曲线或许有些陡峭,或许仍然无法很好地贴合模型。
引入平方根作为另一种功能选择,所拟合出来的曲线更平缓,更贴合数据的的迁移过程。
因此,使用多项式函数,并合理选择合适的多项式函数,可以让模型更贴合数据,得到更好地预测值。
如何选择不同的特征与多项式函数,以及如何衡量这些不同模型的实际表现,将在后续学习过程中掌握有关内容。