一、多元线性回归的模型表示
输入变量x中包含n个特征变量：
假设函数的参数随着特征变量的增多而增多：
代价函数的变化：
梯度下降算法的变化：
简单来说：
二、特征缩放 feature scaling
特征变量的单位不同意，所以进行归一化：
特征缩放：除以最大值和最小值的差，控制结果在0-1之间
均值归一标准化：减去平均值后除以标准差或者最大最小差
三、学习速率的选择
四、多项式回归
五、正规方程normal equation（基础的最小二乘法，通过代数推导的方式）
设梯度值为0，进行参数的求解：
最终结果：
数据的表示形式：
正规方程和梯度下降法的区别：
如果
不可逆怎么办？——删除某些特征变量
