非线性假设-进入it企业必读的200个.net面试题完整扫描版下载

8.1 非线性假设 参考视频: 8 - 1 - Non-linear Hypotheses (10 min).mkv 我们之前学的，无论是线性回归还是逻辑回归都有这样一个缺点，即当特征太多时，计 算的负荷会非常大。 下面是一个例子： 当我们使用 x1,x2 的多次项式进行预测时，我们可以应用的很好。 之前我们已经看到过，使用非线性的多项式项，能够帮助我们建立更好的分类模型。假 设我们有非常多的特征，例如大于 100 个变量，我们希望用这 100 个特征来构建一个非线性 的多项式模型，结果将是数量非常惊人的特征组合，即便我们只采用两两特征的组合 （x1x2+x1x3+x1x4+...+x2x3+x2x4+...+x99x100）,我们也会有接近 5000 个组合而成的特征。这对于一 般的逻辑回归来说需要计算的特征太多了。 假设我们希望训练一个模型来识别视觉对象（例如识别一张图片上是否是一两汽车）， 我们怎样才能这么做呢？一种方法是我们利用很多汽车的图片和很多非汽车的图片，然后利 用这些图片上一个个像素的值（饱和度或亮度）来作为特征。 假如我们只选用灰度图片，每个像素则只有一个值（而非 RGB 值），我们可以选取图 片上的两个不同位置上的两个像素，然后训练一个逻辑回归算法利用这两个像素的值来判断 图片上是否是汽车：