版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_34652535/article/details/85419435
多功能
x表示一个向量
我们用多个特征量或者变量来预测Y值，这就是所谓的多元线性回归
多元梯度下降法
多元线性回归模型如下
特征缩放
通过特征缩放，他们值得范围变得相近，这样你得到的梯度下降算法就会更快地收敛
不要太大，也不要太小
特征缩放并不需要太精确，只是为了让梯度下降。以下为均值归一化工作。
学习率
这条曲线显示的是梯度下降的每步迭代后代价函数的值，如果梯度下降算法正常工作的话，每一步迭代之后J都应该下降。我们很难提前判断梯度下降法会经过多少次迭代后收敛，通常我们通过下图曲线判断是否已经收敛，另外也可以进行一些自动收敛的测试，也就是让一种算法来告诉你梯度下降算法是否已经收敛，这里是自动收敛测试，一个典型的例子。
阀值的选择很困难，所以更倾向于看左面的图像而不是自动收敛测试。
如果代价函数没有下降，那可能因为学习率过大，那就应该尝试更小的学习率。
特征和多项式回归
当选择了合适的特征后，这些算法往往是非常有效的
特征收缩显得很重要
一些算法，他们能自动选择特征，因此你可以让算法观察给出的数据，并自动为你选择。
正规方程
区别于迭代方法的直接解法
如果你使用正规方程法就不需要特征缩放，使用梯度下降法就需要
优缺点
正规方程在矩阵不可逆情况下的解决方法
