有时，当机器学习从业者具备相关领域知识时， 一个变量与另一个变量的平方、立方或其他次方相关 变量，不妨创建一个 合成特征 现有数值特征的基础。
假设数据点分布如下，其中粉色圆圈表示 一个类别或类别（例如某种树）和绿色三角形 其他类别（或树木的种类）：
不可能绘制出将两者完全分隔的直线 但也可以绘制出这样的曲线：
正如 线性回归模块， 线性方程式描述一个包含一项特征 $x_1$ 的线性模型：
$$y = b + w_1x_1$$
其他功能通过添加条款 \(w_2x_2\)处理， \(w_3x_3\)等
梯度下降法会找到 重量 $w_1$（或重量） \(w_1\)、 \(w_2\)、 \(w_3\)（若有其他功能），可最大限度减少 模型损失。但所显示的数据点不能用线条分隔。 该怎么办？
可以同时保留线性方程并允许非线性 方法是定义一个新项 \(x_2\)，将其简称为 \(x_1\) 平方：
$$x_2 = x_1^2$$
这种合成特征称为多项式转换， 其他功能上一个线性公式变为：
$$y = b + w_1x_1 + w_2x_2$$
这仍被视为 线性回归 和通过梯度下降法确定的权重，尽管 包含隐藏平方项，即多项式转换。不更改 线性模型的训练方式，添加多项式转换可让 模型使用曲线图分隔数据点 形式 $y = b + w_1x + w_2x^2$。
通常，感兴趣的数值特征会与其本身相乘，即 提升到一定程度。有时，机器学习从业者可以做出明智的猜测 适当的指数。例如，现实生活中的许多关系 均与平方项相关， 包括重力加速度， 光或声音在距离上的衰减和弹性势能。