多元线性回归

举例为:预测房屋价格（这里的特征也称作变量，变量不一定为特征）

特征为 房屋平方、卧室数量、楼层数、房屋年龄 

label 为房屋价格

X的上标表示第i个样本   下标j表示第i个样本的第j个特征

x=[x0,x1,x2,....xn]向量 (其中x0为构造的值为1)      theat = [theta0,theta1,.....,thetan] 向量

***********************分割线*****************

代价函数：

损失函数（loss function/cost function）：平方损失

函数J为所有误差平方之和

如何获得最佳的theta向量呢?

Gradient Descent 

其中alph为学习率，后面为J(theta)导数

如何让梯度下降更快地收敛：

• 特征缩放features scaling

    若各特征值差别过大，将会影响梯度下降收敛效率。比如说房屋大小是平方米（0-2000），但是卧室的个数（1-5）。这两者的差异导致J(theta)呈现出来的图像是扁平的，这样在收敛过程中就会效率低下。也就是说各个