区别于梯度下降逐渐求θ，正规方程提供了一种求θ的解析解法，不需要运行迭代算法，一次性求解θ的最优值
无需特征缩放（梯度下降需要）
θ是多个值组成的一个向量时候。逐个队参数θj求J的偏导数，把它们全部置零，这样求出θ0-θn的值，这样就能得到最小化代价函数J的θ值
梯度下降和特征缩放对比（α，迭代次数，特征数量）
关于计算不可逆矩阵的问题
· 10年+ .NET Coder 心语，封装的思维：从隐藏、稳定开始理解其本质意义
· .NET Core 中如何实现缓存的预热？
· 从 HTTP 原因短语缺失研究 HTTP/2 和 HTTP/3 的设计差异
· AI与.NET技术实操系列：向量存储与相似性搜索在 .NET 中的实现
· 基于Microsoft.Extensions.AI核心库实现RAG应用
· 阿里巴巴 QwQ-32B真的超越了 DeepSeek R-1吗？
· 10年+ .NET Coder 心语 ── 封装的思维：从隐藏、稳定开始理解其本质意义
· 【设计模式】告别冗长if-else语句：使用策略模式优化代码结构
· 字符编码：从基础到乱码解决
· 提示词工程——AI应用必不可少的技术