正如我们在讲座中看到的，通过使用高阶多项式项(例如:f(x)= g(x0^2 +x1-1))我们可以得到更复杂的非线性边界。(您将在课程中学习如何进一步将这些参数拟合到数据中)让我们试着通过绘制决策边界来理解这个训练过的模型预测的是什么。标签y = 1的数据点显示为红色,标记为y=0的数据点用蓝色圆圈表示。我们来看看它的图形是怎样的。我们先画出-3 +x0 +x 1= 0，也就是x1 =3- x0

注意变量X和y不是标量值，而是形状分别为(m, n)和(m，)的矩阵，其中n是特征的数量，m是训练样例的数量。您可以看到成本函数的行为与预期一致，并且成本w = np.array([- 4,1,1])确实比w=np.array[-3,1,1]的代价高。在之前的实验中，您绘制了b = -3, w0 = 1, w1 = 1的决策边界。假设你想知道b = -4, w0 = 1, w1 = 1，或者w =

在本练习中，您将实现协作过滤，以构建电影推荐系统。

在这个不评分的实验中，你会探索sigmoid函数(也称为逻辑函数)探索逻辑回归;哪个用到了sigmoid函数。

在本练习中，您将实现异常检测算法，并将其应用于检测网络上出现故障的服务器。

开箱即用，线性回归提供了一种构建如下形式模型的方法:如果你的特征/数据是非线性的，或者是特征的组合呢?例如，房价不倾向于与居住面积成线性关系，而是对非常小或非常大的房子不利，导致上图所示的曲线。我们如何使用线性回归的机制来拟合这条曲线呢?回想一下，我们拥有的“机制”是修改(1)中的参数w, b以使方程与训练数据“拟合”的能力。然而，无论对(1)中的w,b进行多少调整，都无法实现对非线性曲线的拟合。

2.2 特征工程介绍2.2.1 为什么需要特征工程(Feature Engineering)2.2.2 什么是特征工程2.2.3 如何进行特征工程2.2.4 特征工程包含2.3 特征提取/特征提取2.3.1 什么是特征提取（将文本或者类别 用数值表示 以便计算机能更好理解）2.3.2 字典特征提取案例2.3.3 文本特征提取方法1：CountVectorizer方法2：TfidfVectorize

2.2 特征工程介绍2.2.1 为什么需要特征工程(Feature Engineering)2.2.2 什么是特征工程2.2.3 如何进行特征工程2.2.4 特征工程包含2.3 特征提取/特征提取2.3.1 什么是特征提取（将文本或者类别 用数值表示 以便计算机能更好理解）2.3.2 字典特征提取案例2.3.3 文本特征提取方法1：CountVectorizer方法2：TfidfVectorize

2.2 特征工程介绍2.2.1 为什么需要特征工程(Feature Engineering)2.2.2 什么是特征工程2.2.3 如何进行特征工程2.2.4 特征工程包含2.3 特征提取/特征提取2.3.1 什么是特征提取（将文本或者类别 用数值表示 以便计算机能更好理解）2.3.2 字典特征提取案例2.3.3 文本特征提取方法1：CountVectorizer方法2：TfidfVectorize