代码实操了，线性回归算法已经完成了，用梯度下降进行计算，不再多说

这里展示的是多特征的一个非线性回归的拟合过程，其中polynomial feature多项式特征，是一个可以直接从Sklearn调用的方法，不用手搓

楼主有了一些发散思维：

有没有什么方法可以自动的去学习需要什么特征，或者自动构建一种什么样的特征？只依靠一个权重w与特征相乘的这种模型会不会不够拟合？

这就是自动特征工程方法，自动构建新的特征

非线性回归的模型一般是什么样的？有特征的平方项加进来了是吗？

在这种进行回归的方法中，有时候人们会用先分解再回归的方式来进行，比如利用模态分解的方法，这种算法为什么会提升性能？

特征解耦

将原始信号分解为不同频率/尺度的分量

数学定义

• IMF 需要满足两个条件：
  • 局部均值为零（由上下包络的均值定义）
  • 极值点数量与过零点数量相等或最多相差1

CNN特征提取

卷积的三个要素：K,S,P，代表着卷积核的大小（长度如果是3*3的K=3），S是步长，表示卷积核移动的长度，Padding是填充，围绕在图像外围一圈的长度，W是图像的尺寸，计算公式为：

图中F就是K