這幾天提到的概念：Feature Crosses、Feature不能太多等等，聽起來是一回事，但做起來又是另外一回事。本篇會稍微玩一下遊戲區，看看這些概念到底在說什麼。

我們使用類似先前範例的四個象限數據，來進行測試。
測試的範圍會是：線性函數的參數X、Y，以及X,Y，最後是Feature太多的話會有怎樣影響。

• 使用線性函數的X和Y的Feature：
  

可以看得出來，我們圖的線都是在右下角，但是卻無法把我們的兩種不懂的點點們適當的做區別，所以我們的loss高居不下，達到0.548，完全不能使用這個模型。

• 兩個參數X1,Y2的Feature：
  

僅使用X1,Y2的方式，可以看得出來很快（實際上不到一百就是現況），就可以把點點們適當分類，並且區分成四塊。而且total loss只有0.003，是個優質的模型。

• 用很多Feature：
  
  上圖是初期圖片，看起來模型製作很不穩定，誤差值忽大忽小。而主要提供的是以X和Y的Feature。

Total loss逐漸縮小，也比較穩定的前進

次數多了Total loss也下降了，最後呈現一個穩定值。如果移到最右邊的圖，會發現我們用這些Feature可以區分出，右下角一類，其他同類。但事實上，這個模式也無法完成分出兩個部分。

所以這樣的Feature並不是一個好feature，所以要更換Feature內容。

• Feature Crosses：
  

使用兩個參數後，可以看到迅速達到目標，一下子就得到新模型，而且誤差值超低。是個好模型。細看裡面的Feature貢獻粗細，先前的範例都是X和Y，這次X1,Y2獨領風騷，所以這樣才是正解。

但有個更好的方法，更快算出模型：

也就是一開始就使用X1,Y2，可以更快速的得到模型，而且提供與整理的資料較少，以比較快完成前置作業。

睫毛之聲：

跟著教學文件說明，再結合playground，讓這幾天抽象的作法與結果，更清楚的表達出來。而這幾天也逐漸看懂playground的各參數意義，更了解目前的作法可以幫助機器學習多少。
真的沒事可以去playground逛逛。