线性回归模型的应用

1.导入数据，缩放数据（有些模型在递归下降的时候为了更快，将不同特征缩放到相差不多的尺度内。另一种说法是：为了让大值特征不要淹没小值特征（我认为这是不对的。因为还有参数w在控制特征的影响力，所以第一种说法应该是对的））

2.分析问题，选择学习模型。

根据coursera上面的内容，由线性模型类似的，推出多项式模型，h(x)  =  a0 + a1x1 +a2x1^2+...+  （每一个特征，分裂出几个不同的次方项，等待学习的参数更多。）

3.用数据学习模型（用sklearn库）

1.用sklearn库的线性回归，重要的是参数的配置。

其中一个是：递归下降的步伐 阿尔法。这个常用 损失函数+迭代次数 图像分析。

4.测试集测试。

5.评估是否要回到第二步重来