今天，我会介绍新看到的一个非线性模型，层级模型。
与前面的线性模型相比，这里的基函数多了一个学习参数beta 。以Phi使用高斯函数为例，前面的介绍的话，高斯函数的均值使用的是样本值，而且标准差也是一个固定数，这里均值和标准差都成为了学习参数。
归纳：
通过最小二乘法后（其实有留意我另外写的博客文章 Andrew Note的话，知道这个是square error cost function）,我对机器学习有了一个更加大概的模糊印象。以下是我个人的一点感悟
通常在解决回归问题时，我们需要做的是两件事。首先，选择好模型，是线性模型还是非线性模型进行拟合，线性模型里面我们选择哪个作为基函数呢？除此以外，我们需要选好学习方法，是最小二乘法呢还是其它的。然后开始学习。通常这个解法不能引起维度灾难（维度灾难是指：输入参数的维度增加，计算指数级增长的恐怖事情），然后解的过程就是多种多样了，像Andrew 里面介绍的方法是gradient decent 解最小二乘 。