【机器学习笔记 三】 多元的线性回归-多个特征

一、 多特征（变量）
n ：：表示特征的数量
：：训练集中第i个输入的特征向量
：：第i个输入的特征向量中的第j个特征

二、 多特征值的线性回归的模型
映射函数如下：

代价函数：

梯度下降算法：

这里就会发现，原先n=1时，梯度下降还是可以计算的，但一旦n>1后，就不能如此的计算了
三、 特征范围控制----多变量的线性回归
目的：确保所有特征都在一个相似的范围内
1. 最值归一化 : X=X/max(X) 0<=X<=1
2. 平均归一化: X=X-avg(X)/[max(X)-min(X)] -1<=X<=1
四、 学习速率----多变量的线性回归
目的：确保递归下降能够正确的运行，如果学习速率过小，会在每一个局部迭代处收敛，导致收敛速度过慢；而如果学习速率过大，可能会陷入迭代循环，导致不收敛的情况。
目前寻找学习速率的方式为尝试 …,0.001,…,0.01,…,0.1,…,1,…;
Ps：自己的体会：对学习速率的