吴恩达机器学习笔记二之多变量线性回归

本节目录：

• 多维特征
• 多变量梯度下降
• 特征缩放
• 学习率
• 正规方程

1.多维特征
含有多个变量的模型，模型中的特征为（x1,x2,…xn），
比如对房价模型增加多个特征

这里，n代表特征的数量，
x(i)代表第i个训练实例，是特征矩阵中的第i行，是一个向量。


2 多变量梯度下降

多变量线性回归中，代价函数是所有建模误差的平方和，即：



我们开始随机选择一系列参数值，计算所有预测结果，再给所有参数一个新值，如此循环直到收敛。
3 特征缩放
面对多维特征问题的时候，我们要保证这些特征都具有相近的尺度，这将帮助梯
度下降算法更快地收敛。


4.学习率

5 特征和多项式回归

6 正规方程

更多内容详情及代码请见：https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes