8.1 非线性假设
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(
相关文章
- 02-12深度学习(DL)-1.4 深度神经网络 (Deep Neural Networks)
- 02-12机器学习入门15 - 训练神经网络 (Training Neural Networks)
- 02-12卷积神经网络(Convolutional Neural Networks, CNN)的特点
- 02-12[Machine Learning] Neural Networks: Representation Quiz
- 02-12图神经网络（Graph Neural Networks，GNN）综述与相关应用概述
- 02-12深度神经网络的多任务学习概览(An Overview of Multi-task Learning in Deep Neural Networks)
- 02-12[Machine Learning] Neural Networks Model representation
- 02-12论文翻译-A Comprehensive Survey on Graph Neural Networks《图神经网络GNN综述》
- 02-12cs231n__4.2 神经网络 Neural networks
- 02-12图神经网络(二十四) STRATEGIES FOR PRE-TRAINING GRAPH NEURAL NETWORKS, ICLR 2020