qq_59908854的博客

特征工程是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程将任意数据（文本或图像）转换为可用于机器学习的数字特征（特征提取是为了计算机更好的去理解数据）

1. scaler会记录测试数据集的mean和std所以当有新的测试数据时，可以直接scaler.transfer(new_data)就可以完成数据转换2. 因为是多项式回归拟合，poly_features会扩大特征的维数，因此对测试数据进行转换特征，因此后面也就是变成了只与参数有关的线性回归，因此后面也就直接建立的线性回归模型。3. 一旦使用线性回归模型训练了数据，可以通过coef_属性来获得特征的系数（即参数值），截距值可以通过intercept_属性获得。

关于SGDClassifier实例，还有许多其他的参数可以设置，包括损失函数，正则化项等等。

L1正则化适用小样本、解释性需求高、特征选择的情况，而L2适用大样本，解释性需求不高，且需要保持模型复杂度的情况。