吴恩达机器学习（十）特征和多项式回归

1.特征

  前面已经了解过多变量的线性回归，现在学习一些可供选择的特征，以及如何得到不同的学习算法，当选择了合适的特征后，这些算法往往是非常有效的，另外也了解多项式回归，它使得我们能够使用线性回归的方法来拟合非常复杂的函数，甚至是非线性函数。
  以预测房价为例，假设有两个特征分别是房子临街宽度和垂直宽度，可以建立一个这样的线性回归模型，h_θ(x) = θ₀ + θ₁x₁ + θ₂x₂，其中临街宽度是第一个特征x1，纵深是第二个特征x2。

  但在运用线性回归时不一定非要用给出的x1，x2作为特征，其实可以自己创造新的特征。如预测房价时更多考虑的是所拥有的土地的面积，因此我们可以创建一个新的特征x表示土地的面积，即临街宽度和纵深的乘积。于是使用如下式子作为假设，h_θ(x) = θ₀ + θ₁x
该式子只用一个特征，即所拥有的土地面积。
有时通过定义新的特征，可能会得到一个更好的模型。

2.多项式回归

  与选择特征相的想法密切相关的一个概念被称为多项式回归，比如有一个住房价格的数据集，可能会有多个不同的模型用于拟合，选择之一是这样的二次模型

  直线似乎不能很好的模拟这些数据，但会发现二次函数模型不合理，因为我们不觉得随着土地面积的增加，房子的价格会降下来。因此会考虑不同的模型，转而选择使用一个三次函数，它的拟合效果就比较好。h_θ(x) = θ₀ + θ₁ x1 + θ₂ x₂ + θ₃ x₃
  如何将模型与数据进行拟合呢？使用多元线性回归的方法，可以对算法做一个简单的修改来实现它

  仅仅通过将这三个特征特征这样设置，然后再应用线性回归的方法，就可以模拟这个模型，最终将一个三次函数拟合到数据上，如果像上述那样选择特征，那么特征缩放就变得重要了，因此如果使用特征下降法，特征缩放特别重要，这样才能将值变得有可比性。

我们有很大的余地来选择使用哪些特征：