一、表达式
用向量的形式表示
二、多元梯度下降法
规定x0（i）=1
三、多元梯度下降法演练——特征缩放
保证这些特征都处在一个相近的范围，不同特征取值在相近的范围内。
如果不在两个特征的数值范围差距很大，关于θ的关系函数会是一个又长又扁的椭圆。而这种情况下防止达不到收敛，只能进行一小步一小步的梯度计算，而且过程较复杂。
而特征数值差异较小的情况可以找到更直接的方式
那么我们可以通过归一化来降低差别
不一定要求范围一定在-1到1之间或者说不同特征范围完全相同，相近的都可以。但不能过小也不能过大
对特征缩放，除了简单的归一化，还可以进行均值归一化
总结：特征缩放使梯度下降收敛更快，迭代次数更少。
四、多元梯度下降法——学习率α
目标：
两种方法：一种看图，一种通过自动收敛测试（但这个阈值的确定十分困难）
下面这两种J（θ）都需要减少α的值
五、特征和多项式回归（线性回归拟合复杂函数或非线性函数）
定义新的特征
P：多项式回归——不是变量不是全都式一阶
六、正规方程
未完
