本文重点
在实际应用中，有时候一个单一特征的线性回归模型可能无法很好地解释数据，因此我们可以构建多特征的线性回归模型来提高模型的预测能力。本文还是拿房价问题来举例，来看以下多特征的线性回归模型如何构建？
多特征的数据集
以房价预测为例，现在的样本特征不再是一个了，此时数据集如下所示：
m表示样本数，这里还要添加一个符号n，它表示特征数。该数据集中，n=4，也就是有4个特征。
x(i)代表第 i个训练样本，是特征矩阵中的第i行，是一个向量。比如数据集中的第二个样本，此时x(2)可以表示为：
xj(i)代表特征矩阵中第i行的第j个特征，也就是第i个训练样本的第j个特征。
比如：
模型表示
单变量的时候，线性回归模型的假设为hθ(x)=θ1x+θ0
多变量的时候，线性回归模型的假设为：ℎθ(x) =θ0 + θ1x1 +θ2x2