神经网络与深度学习-邱锡鹏-学习笔记16-多项式回归
作者：互联网
神经网络与深度学习（更新至第6讲 循环神经网络）_哔哩哔哩_bilibili
注解：
1.非线性的问题加入用线性方程去拟合，那会出现欠拟合的情况。
2.解决办法就是用Ф(X)代替X，如下图：
注解：
1.依然可以把多项式回归模型写成线性的形式，此时可以利用线性回归的最小二乘准则求一个最小二乘解。
注解：
1.在优化的过程中，M并没有当成参数进行优化，所以，M是一个超参数。超参数用来控制函数的形状的。
2.不同的超参数的选择会导致求解出来的w差异很大，那如何选择多项式的次数呢？
注解：
1.M=0，误差非常大。
2.M=1，比一条横线强一点，但是误差仍然非常的大。
3.M=3，比较符合。
4.M=9，过拟合了，在样本（或者说训练集）上的错误率为0，但是和绿色的真实的线差异很大，加入运用到测试集上，误差一定会很大，因为测试集和训练集是独立同分布的，测试集中的数据一定位于绿色的线附近，此时带入到拟合出来的红色的线里面，误差很大。
5.绿色的线是真实的线。
6.到底M，也就是多项式的次数选择多少合适呢？这就是一个模型选择的问题，这是一个很难的问题。
标签：误差,16,多项式,学习,神经网络,参数,拟合,注解,邱锡鹏 来源： https://www.cnblogs.com/yibeimingyue/p/15438225.html