Hi，大家好，我是半亩花海。接着上次的最速下降法（梯度下降法）继续更新《白话机器学习的数学》这本书的学习笔记，在此分享多项式回归这一回归算法原理。本章的回归算法原理基于《基于广告费预测点击量》项目，欢迎大家交流学习！
目录
一、多项式回归概述
多项式回归是一种基于多项式函数的回归分析方法，用于拟合数据中的非线性关系。与简单的线性回归不同，多项式回归通过引入多项式项来建模数据的非线性特征，从而提高了模型的灵活性和适用性。
二、案例分析
1. 设置问题
还记得前两节我们定义的用于预测的一次函数吗？
因为是一次函数，所以它的图像是直线。
不过，对于一开始我在图中添加的数据点来说，直线一定是最好的拟合方式吗？曲线拟合的效果会更好吗？
2. 定义模型
通过清晰直观地观察下图，并经过探索我们会发现，其实曲线相对来说会比直线拟合得更好。
如此看来，曲线似乎看起来更拟合数据。在此，我们可以把 定义为二次函数，便能用它来表示这条曲线，如下所示：
再或者，用更大次数的表达式也可以。这样就能表示更复杂的曲线了，如下所示：
在找出最合适的表达式之前，需要不断地去尝试。当然这里有个误区，并不是说函数次数越大，拟合得就越好，难免也会出现过拟合的问题（在深度学习中会接触到）。
3. 多项式回归
回到我们定义的二次函数中，我们增加了 这个参数，接下来得需要推导出
更新表达式，和上一节“最速下降法”里面的原理一样，用目标函数对
进行偏微分便就能求出来。
设 、
，再将
对
偏微分，求出更新表达式。
对
微分即
的部分应该和前一节里的求法是一样的，如下式。
所以我们只要求 对
的微分即可，如下式。
得出最终的参数更新表达式如下所示：
那么即使增加参数，比如有 、
等，我们依然可以用同样的的方法求出它们的更新表达式。像这样增加函数中多项式的次数，然后再使用函数的分析方法（偏微分）被称为多项式回归。