特征变量x是模型输入的核心载体——本次实验针对街景交通标志识别，每个样本的x由128维像素梯度特征构成，覆盖标志的形状、色彩轮廓等关键信息。前期数据预处理阶段发现，x中第1-24维特征对应低分辨率边缘与第65-80维特征对应色彩饱和度存在强相关性，冗余特征占比约18%，这直接影响了后续模型的训练效率与效果。
权重参数w是连接输入与输出的调节枢纽——模型中每个x维度对应一个可学习的w值，初始w服从均值为0、方差为0.01的正态分布。训练时w会根据交叉熵损失函数反向传播更新，其数值大小直观反映模型对对应x维度的“重视程度”。未优化阶段，w在冗余特征维度的数值与核心特征维度接近，导致模型对有效信息的捕捉效率偏低。
准确率指标S是衡量模型效果的量化标尺——我们采用Top-2分类准确率作为S的计算标准，其取值范围为0至1。实验初始状态下，模型在验证集上的S仅为0.73，且随着训练轮次增加，过拟合现象逐渐显现训练集S达0.92，验证集S降至0.70。
针对上述问题，我们调整训练策略：通过L1正则化约束w的稀疏性将正则系数设为0.005，强制冗余特征对应的w值快速收缩至接近0。调整后，模型对有效特征的权重分配占比提升至95%，训练轮次减少30%。重新测试时，验证集的S提升至0.87，且训练集与验证集的S差距缩小至0.05以内，模型泛化能力显著增强。
可见，特征变量x提供基础输入，权重参数w实现动态调节，准确率指标S反馈最终效果——三者的有机互动直接决定了模型的性能表现。在本次实验中，对w的精准约束成为提升S的关键突破口，也验证了x、w、S三者的强关联性。