吴恩达机器学习笔记：特征与多项式回归

1.特征和多项式回归

如房价预测问题，

ℎθ (x) = θ0 + θ1 × frontage + θ2 × deptℎ
x1 = frontage（临街宽度），x2 = deptℎ（纵向深度），x = frontage ∗ deptℎ = area （面积），则：$h_{\theta }(x)={\theta }_0+{\theta }_{1}x$

线性回归并不适用于所有数据，有时我们需要曲线来适应我们的数据，比如一个二次方模型：$$h_{\theta }(x)={\theta }_0+{\theta }_1{x}_1+{\theta }_2{x}_2^2$$
或者三次方模型： $$h_{\theta }(x)={\theta }_0+{\theta }_1{x}_1+{\theta }_2{x}_2^2+{\theta }_3{x}_3^3$$

通常我们需要先观察数据然后再决定准备尝试怎样的模型。 另外，我们可以令：
x2 = $x_2^2$, x3 = $x_3^3$，从而将模型转化为线性回归模型。 根据函数图形特性，我们还可以使：
$$h_{\theta }(x)={\theta }_0+{\theta }_1\cdot \text{size}+{\theta }_2\cdot {\text{size}}^2$$或者:

$$h\theta (x)={\theta }_0+{\theta }_1\cdot \text{size}+{\theta }_2\cdot \sqrt{\text{size}}$$
注：如果我们采用多项式回归模型，在运行梯度下降算法前，特征缩放非常有必要。