在正常的机器学习问题中，您会获得许多功能（例如： - 如果您正在制作图像识别器），因此当有许多功能时，您无法将数据可视化（您无法绘制图形）。因此，如果没有绘制图表，有没有办法确定我们应该对该问题使用什么程度的假设函数？ 如何确定最佳假设函数？ 例如： -
如果有2个输入x（1），x（2）。
是否选择（w0）+ x（1）* w（1）+ x（2）* w（2）作为假设函数或
w（0）+ x（1）* w（1）+ x（2）* w（2）+ x（1）* x（2）* w（3）+（x（1）^ 2 ）* w（4）+（x（2）^ 2）* w（5）
作为假设函数：其中w（0），w（1），w（2），w（3）......是权重。
答案 0 :(得分：7)
要应用的第一个主要步骤是要素选择或要素提取（维度降低）。这是一个预处理步骤，您可以使用某些相关性指标（如相关性，互信息作为mRmR）来应用。此外，还有其他方法受到数值线性代数和统计学领域的刺激，例如主成分分析，用于根据某些假设找出描述空间的特征。
您的问题与机器学习领域的主要问题有关，称为模型选择。了解使用程度的唯一方法是尝试不同程度的模型（d = 1，d = 2，...），记住以下内容：
1-过度拟合：您需要确保限制变量的范围（在您的情况下为Ws），以避免过度拟合。此解决方案称为正则化。另外，尽量不要像ANN那样长时间训练分类器。
2- Prapring 培训，验证和测试集。培训用于培训模型，验证用于调整参数，测试用于比较不同的模型。
3-正确选择效果评估指标。如果您的训练数据不均衡（即为目标变量的每个值或类标记分配的样本数量几乎相同），则准确性不是指示性的。在这种情况下，您可能需要考虑敏感性，特异性或Mathew相关性。
实验是关键，实际上你受资源的限制。然而，正确的实验设计可以满足您的目的。