机器学习笔记5——nomal equation

　　　　还记得两个变量求极致么，有这么一个结论，如果你已知有个最值，那么你可以放心的把唯一的极值当作最值。当然要注意边界条件。比方开阔号那就可以直接用，闭括号就不行，最小值可能出现在边际上。那么将系数theta（就是之前说的d）看成是一个向量，函数对于theta为自变量的最小值就是对他没一个元素求偏导数，并且让他等于零。

octave语句：pinv(X'*X)*X'*Y，是计算theta向量的多维函数。这里又涉及到线代的知识，原始公式就是X*theta’=Y X是矩阵，是m*n+1的矩阵，theta是n+1向量。y是dimentional=m向量。至于为什么左右两边同乘X'再变形，X’表示转置，我想是因为这样可以出来一个方阵，也就可以求解逆矩阵了。

既然涉及到了逆矩阵，也就是pinv，那么就有可逆与否的问题，有两种可能会使其为零，一个是成比例的feature，比方同时用平米和英尺表示房子大小。还有一个就是有太多feature，而样本数量又不多，m<n,但是乘出来又继承了n，变成了n+1)*(n+1矩阵，那么秩一定是小于n+1的。如果你出现了不可逆，那么你就要检查这两点。使之可逆。但是他说，不可逆很少，而且octave也能处理不可逆。所以这不需要太担心。

数学符号表示起来太不方便了，如果没有实现看过原始视频，看这种公式比较费劲，怎么拯救我的笔记，要不以后我只做手写笔记好了。

鉴于我固执的认为feature scaling的除数是取值范围，而不是现有的feature最大值减去最小值，并且如果feature之间有代数关系，比方说x2=x1^2,那么就应该将x2想象成x1feature scaling的变量替换。比方t=(x1-d)/h那么t^2=((x1-d)/h)^2来保证代数平方关系，毕竟x2来源于x1但是规则并非这样。不论如何，直接用现有feature取值求max-min，然后不论feature之间什么关系，直接处理就当没关系。