- ✔️生成数据，加入噪声
- ✔️用高阶多项式函数拟合曲线；
- ✔️用解析解求解两种loss的最优解（无正则项和有正则项）
- ✔️优化方法求解最优解（梯度下降，共轭梯度）
- ✔️用你得到的实验数据，解释过拟合。
- ✔️用不同数据量，不同超参数，不同的多项式阶数，比较实验效果。
- ✔️语言不限，可以用matlab，python。求解解析解时可以利用现成的矩阵求逆。梯度下降，共轭梯度要求自己求梯度，迭代优化自己写。不许用现成的平台，例如pytorch，tensorflow的自动微分工具。
- ✔️实现两种损失函数的参数估计（1，无惩罚项；2.加入对参数的惩罚）
- ✔️可以采用梯度下降、共轭梯度或者牛顿法等。
- ✔️手工生成两个分别类别数据（可以用高斯分布），验证你的算法。
- ✔️考察类条件分布不满足朴素贝叶斯假设，会得到什么样的结果。
- ✔️逻辑回归有广泛的用处，例如广告预测。可以到UCI网站上，找一实际数据加以测试。