1. 3 sposoby zapobiegania overfittingowi:
	- zwiekszenie ilosci danych (uczących/treningowych?)
    - zastosowanie regularyzacji (najlepsze)
	- zmniejszenie stopnia wielomianu, czyli konkretnie liczby parametrów (Najgorsze, bo nie wiadomo, który usunąć. Żeby było wiadomo który,
    to trzeba sprawdzić wszystkie i wybrać)

2. Czy miara oceniajaca model moze byc inna od kryterium uczenia?
	
    Może, stosujemy to np. w sposobie z regularyzacją (uczymy przy pomocy regularyzacji, a oceniamy bledem sredniokwadratowym
	bez regularyzacji)
    
3. Wektor cech dla wielomianu stopnia np. 4
	1, x, x^2, x^3, x^4
    
4.	Jak rozpoznajemy, czy mamy doczynienia z overfittingiem?
	
    Błąd przy ciągu treningowym jest mały, a przy walidacyjnym duży.

5. Co to jest parametr lambda i jak dziala.
	
    Tu dokłądnie nie wiem, ale chyba zmniejsza/ściąga wartości parametrów 

6. Jak działa selekcja modelu?