组合？

在观看视频或阅读相关文档之前，请先 本练习将探讨特征组合的过度使用。

任务 1：按原样运行模型，对所有给定的叉积 功能。模型与数据拟合的方式是否有任何意外？ 有什么问题？

任务 2：尝试移除各种跨积特征以改进 性能（虽然仅略有变化）。为什么移除特征 性能？

（答案位于练习正下方。）

---

---

点击加号图标，即可查看任务 1 的答案。

令人惊讶的是，模型的决策边界看起来有点奇怪。具体来说， 但左上角有一个区域显示为蓝色， 但数据中却没有明显的支持

请注意从 INPUT 到 OUTPUT 的五条线的相对厚度。 这些线显示了五个特征的相对权重。 从 X₁ 和 X₂ 发出的线条比 特征组合的权重。特征组合是 对模型的贡献远远小于常规（未组合）特征。

点击加号图标，即可查看任务 2 的答案。

移除所有特征组合可获得更合理的模型（ 不再是表示过拟合的曲线边界） 并使测试损失收敛。

1000 次迭代后，测试损失应该略小一些 与使用特征组合的时间相比（尽管您的结果 可能会因数据集而异）。

本练习中的数据基本上是线性数据加上噪声。 如果我们使用的模型过于复杂，例如包含太多 我们让模型有机会适应训练数据中的噪声， 通常代价是模型在处理测试数据时表现不佳。