既然是非線性項，那需要多複雜？

Google對於TensorFlow教學提供了視覺化的工具TensorBoard，也同時做了網站來說明神經網路，對應資料分布類型也至少有四大類，很適合初學者了解，也很適合有實作經驗者重新思考何為神經網路的內涵。

這是神經網路中其中一種資料分布型態，而Google也(好心地)把可能地組合型變數提供在下面了。
稍微思考一下，似乎用來分類地判定平面(或線)是一條曲線，或更精準地說，是個圓！？
我們可以發現，描述該切割面的方程式為一個最高次項為2的方程式。

這時候肯定有幾個問題冒出來了：

1. 都可以相乘了，那麼用來描述該平面可以用更高次項的方程式嗎？
   可以，頂多就是過擬合呀？
   過擬合在前面的分享有提過，容易導致訓練時效果好但是一進入測試階段就效果低落的狀況。
   用更高次項的方程式不能說不行，但容易出現過擬合及訓練時程拖長(因為有更多的可能性)。

2. 該怎麼選可能的bucket數量來應對可能的Feature Crosses？
   多做吧！
   這是一門藝術(課程裡面說的)。
   在課程當中由於已經被設定好了，看起來理所當然；實際上可以透過收集資料並反覆觀察，判斷收集到的資料偏誤狀況，加以決定可能的測試量。