非线性假设

       之前我们学习的logistic回归的基本知识，现在我们来讨论你一下它在特征较多的情况下的反应：

我们用之前比较熟悉的房屋的问题来进行讨论，现在我们根据下图的训练集来将房屋能否在未来今年卖出去分类。

我们如图所示，画出了分界线。

    在这里我们假设影响房屋卖出与否的因数有n=100个，x1到x100，这里简单起见，假设函数我们只考虑平方项。

但是由于特征为n=100，假设函数有大约5000项之和。如果我们还考虑3次项,你会发现，假设函数是大约n的3次方个项之和。

这个结果太复杂了。然而在机器学习的一些应用中，例如图像识别，你会发现它们要考虑的特征的个数会比100更大。

      下面我们再看一个计算机视觉中一个图像识别的例子：

     看到上图的第一眼，我们大脑里面就给出了反应，这个是一辆汽车。但是你会惊奇，这个我们觉得一目了然的结果，对于学习了算法的计算机而言却是不知道是什么。

  我们以一个点放大来说明计算机是如何识别这张图的，上图中的一个点放大后，在计算机中显示的是一个矩阵，里面是各个点的像素大小。计算机就是根据这些像素的值，来分析出这个图像是一个门把手。

    在一个汽车识别的系统中，我们首先给出许多汽车的图像若左边所示，然后再给出许多的不是汽车的图像如右边所示。然后我们给出一张新的图像，计算机机会根据之前给出的图片的数据，来将这张新的图片分类，判断是否为汽车。

 

    在汽车识别的例子中，我们只考虑两个点的像素，我们将许多的图片的结果标记在一个坐标系中，正为汽车，负为非汽车。我们给出了大量的训练集。但是你会发现，即使我们只考虑50x50px的小图片，我们要分析的特征x也有2500个，如果是彩色图片将会是7500个，这个结果对我们之前所使用的logistic回归算法来说过于复杂。所以这种复杂的问题（特征过多），我们要使用之后学习的神经网络算法。