目标
探索特征工程和多项式回归，使用线性回归来拟合非常复杂甚至非线性的函数。
1.为什么线性回归能拟合非线性函数？
fx=w*x²+b，属于线性回归的扩展，这个公式在数学中不属于线性，因为有x²，而在机器学习中属于线性回归，因为w，b是一次项，详情有待补充。
2.线性回归函数拟合非线性数据
- 红色数据点y=1+x**2，x,y的关系是非线性，需要一个函数拟合非线性数据点。
- 特征数组X为一次项，因此线性回归w*x+b无法拟合非线性数据。
3.多项式回归函数拟合非线性数据
扩展线性回归为多项式回归，重新构建特征数组X=x**2，对应函数x²*w+b，通过梯度下降计算最佳w，b并代入函数，能够拟合非线性数据。
4.设计新特征
- 继续扩展多项式回归，通过对x平方立方，设计出2个新特征。对应函数为f_wb = xw0+x²w1+x³*w2+b 。
- 此函数没有很好的拟合数据，w1的权重最大0.54，代表x²特征对预测结果影响最大。
4.根据特征数量自动设置w
n表示特征数量。
5.线性模型捕捉非线性关系
𝑥²特征与目标值y呈线性关系。线性回归可以很容易地使用该特征生成模型。
6.多项式回归的特征缩放
- 使用Z标准化缩放X特征。
- 可以使用比之前更大的学习率，梯度下降更快收敛。
7.多项式回归拟合更复杂的数据
总结
当我们发现数据的走势为非线性，选择线性回归函数已经无法拟合数据，所以我们采用多项式回归。但是我们不能随意的设计出新特征，结合实验例子，如果数据的关系是y=1+x²，f_wb=wx²+b函数可以很好的拟合数据，而f_wb=w0x+w1x²+w2x³+b函数则不会很好的拟合数据。而在多项式回归中，特征缩放是很重要的，因为多项式特征之间的差异是很大的。
