吴恩达Machine Learning学习笔记（二）--多变量线性回归
回归任务
多变量线性回归
公式
h为假设，theta为模型参数（代表了特征的权重），x为特征的值
参数更新
梯度下降算法
影响梯度下降算法的因素
（1）加速梯度下降：通过让每一个输入值大致在相同的范围可以加速梯度下降，因为theta在x的范围比较小的时候收敛更快，
x的范围不平整时收敛慢且会发生震荡。即对变量进行标准化处理，方法为减均值，除标准差
（2）学习速率：alpha太小，能收敛但速度太慢；alpha太大不能保证每一步都会使代价函数下降，且可能会导致不收敛
改善特征和假设函数的方法--多项式回归
（1）把多个特征混合为一个特征，如x1*x2作为一个特征
（2）通过对特征取平方，立方，平方根或其他形式来改变曲线的形状（此时对特征变量进行标准化处理很重要）
显式求解theta--正规方程
| 梯度下降 | 正规方程 | |
| alpha | y | n |
| 迭代 | y | n |
| 复杂度 | O(kn^2) | O(n^3) |
| 当n很大时 | 较快 | 很慢 |
正规方程可能存在不收敛的情况，比如
a.有冗余特征（特征变量之间线性相关） b.特征太多
此时应该删除多余特征
