1. 1. 3 sposoby zapobiegania overfittingowi:
2.         - zwiekszenie ilosci danych (uczących/treningowych?)
3.     - zastosowanie regularyzacji (najlepsze)
4.         - zmniejszenie stopnia wielomianu, czyli konkretnie liczby parametrów (Najgorsze, bo nie wiadomo, który usunąć. Żeby było wiadomo który,
5.     to trzeba sprawdzić wszystkie i wybrać)
6.  
7. 2. Czy miara oceniajaca model moze byc inna od kryterium uczenia?
8.        
9.     Może, stosujemy to np. w sposobie z regularyzacją (uczymy przy pomocy regularyzacji, a oceniamy bledem sredniokwadratowym
10.         bez regularyzacji)
11.    
12. 3. Wektor cech dla wielomianu stopnia np. 4
13.         1, x, x^2, x^3, x^4
14.    
15. 4.      Jak rozpoznajemy, czy mamy doczynienia z overfittingiem?
16.        
17.     Błąd przy ciągu treningowym jest mały, a przy walidacyjnym duży.
18.  
19. 5. Co to jest parametr lambda i jak dziala.
20.        
21.     Tu dokłądnie nie wiem, ale chyba zmniejsza/ściąga wartości parametrów
22.  
23. 6. Jak działa selekcja modelu?
24.  
25.  
26.  
27.  
28.    
29.