Czasem, gdy specjalista ds. systemów uczących się ma wiedzę z danej dziedziny, która sugeruje, że jedna zmienna jest powiązana z kwadratem, sześcianem lub inną potęgą innej warto utworzyć funkcja syntetyczna z jednego istniejących funkcji liczbowych.
Przeanalizujmy następujący rozkład punktów danych, gdzie różowe okręgi oznaczają jedną klasę lub kategorię (np. gatunek drzewa) i zielone trójkąty; innej klasy (lub gatunku drzewa):
![Rys. 17. Rozkład punktów danych w postaci y=x^2, pod trójkątami
i okręgi nad krzywą.](https://developers.google.cn/static/machine-learning/crash-course/images/ft_cross2.png?authuser=9&hl=pl)
Nie można narysować linii prostej, która oddzieli je wyraźnie , ale można narysować krzywą, która ma taką postać:
![Rysunek 18. Ta sama grafika co na rysunku 17, tylko tym razem z y=x^2.
nakłada się, by stworzyć wyraźną granicę między trójkątami
kręgi.](https://developers.google.cn/static/machine-learning/crash-course/images/ft_cross1.png?authuser=9&hl=pl)
Jak już wspomnieliśmy w Moduł regresji liniowej, model liniowy z jedną cechą, $x_1$, został opisany równaniem liniowym:
Dodatkowe funkcje są obsługiwane przez dodanie warunków \(w_2x_2\), \(w_3x_3\)itp.
Spadek gradientowy znajduje weight $w_1$ (lub wagi \(w_1\), \(w_2\), \(w_3\)w przypadku dodatkowych funkcji), który minimalizuje utratą modelu. Nie mogą one być jednak rozdzielone linią. Co można zrobić w tej sprawie?
Można zachować zarówno równanie liniowe, jak i zezwolić na nieliniowość definiując nowe hasło \(x_2\), nazywane \(x_1\) kwadratem:
Ta syntetyczna cecha, zwana przekształceniem wielomianowym, jest traktowana jak z inną funkcją. Poprzednia formuła liniowa zmieni się na:
Nadal można to potraktować jako regresja liniowa a wagi określane przez opadanie gradientowe, jak zwykle, zawierający element ukryty do kwadratu, transformatę wielomianową. Bez zmiany w trenowaniu modelu liniowego, dodanie transformacji wielomianowej umożliwia modelu do rozdzielania punktów danych za pomocą krzywej form $y = b + szer._1x + szer._2x^2$.
Zazwyczaj dana funkcja liczbowa jest mnożona przez siebie, czyli podniesienie do pewnej mocy. Czasami specjalista ML może wyciągnąć świadome zgadywanie dla odpowiedniego wykładnika. Na przykład wiele relacji w wymiarze fizycznym światy są powiązane z wyrazami podniesionymi do kwadratu, łącznie z przyspieszeniem grawitacyjnym, absorpcja światła lub dźwięku w odległości oraz sprężysta energia potencjalna.
Pokrewne pojęcie w: dane kategorialne to cecha różna, a więcej często łączy 2 różne cechy.