机器学习-couresera exercise1-多变量的线性回归

在上一个博客里面，我们写了单变量的线性回归问题，现在我们来完成多变量的线性回归问题！

多变量的线性回归——预测房价

在这个房价问题中，我们的数据存放在ex1data2.txt这个文件里面，第一列是房间大小，第二列是房间的卧室数目，第三列是房价，也就是说对比单变量的线性回归问题，我们这个问题存在两个特征，一个是size，一个是number of bedrooms！

存储数据进入数组里面：

data = load('ex1data2.txt');%存储数据
X = data(:, 1:2);%前面两列存入X，第一列是房间大小，第二列是卧室的数目
y = data(:, 3);%第三列是房价
m = length(y);%m表示实例的个数

（1）特征归一化-feature normalization

我们是使用梯度下降算法之前，如果多个特征的规格是不一样的，我们第一步必须要先特征归一化，这样才能更快的使得梯度下降收敛！因为房子的大小是房间卧室数目的1000倍，所以我们就是要完成featureNormalize.m里面的代码以实现特征归一化！

step1：得到数据集中的各个特征的平均值

step2：得到数据集X各个特征的标准差，使得每一个特征先减去均值再除以标准差，实现归一化操作！

（注1：并不是一定要计算标准差，你也可以使用特征的变化幅度（max-min）；matlab计算标准差用的是std函数，比如说X（：，1）表示的是房间的大小，那么std（X（：，1））表示的就是求解特征房间大小的标准差！）

（注2：在进行这样的操作之后，我们需要注意当我们给这个模型一个新的房间的参数x，那么我们首先也要先归一化x，然后才能进行预测房价！）

function [X_norm, mu, sigma] = featureNormalize(X)
%FEATURENORMALIZE Normalizes the features in X 
%   FEATURENORMALIZE(X) returns a normalized version of X where
%   the mean value of each feature is 0 and the standard deviation
%   is 1. This is often a good preprocessing step to do when
%   working with learning algorithms.

% You need to set these values correctly
X_norm = X;
mu = zeros(1, size(X, 2));
sigma = zeros(1, size(X, 2));

% ====================== YOUR CODE HERE ======================
% Instructions: First, for each feature dimension, compute the mean
%               of the feature and subtract it from the dataset,
%               storing the mean value in mu. Next, comp