多功能与多变量线性回归
n代表特征变量个数，n个特征变量与一个所求值构成一个样本。
由单变量的梯度下降可推出，对每一个参数 theta_ i ，都要同步进行值的更新（在梯度下降的过程中）
特征缩放
若特征值之间值的范围差异过大，会造成代价函数“崎岖”的现象，运行梯度下降算法时便会产生过多的耗时和资源浪费。而利用特征缩放来使代价函数的等值线变得均匀，能够更高效的运行梯度下降算法。
通常情况下，用x_i 的平均值和数据的范围进行数据规范。
学习率
学习率大小的选择在梯度下降中至关重要。随着迭代运算次数的增加，根据J(theta)值的变化趋势可基本判断算法是否正常运行。
多项式回归
线性回归往往无法得出较为精确的结果，在很多情况下我们需要采用非线性的回归方程来更好地拟合数据集。
正规方程及矩阵不可逆情况
正规方程求解min（J）是区别与梯度下降的另一种办法，只需一步就可完成。在计算机中采用矩阵运算来求解。X作为一个design matrix，包含所有样本的特征值，y作为一个m维向量参与运算。
梯度下降与正规方程求解的优缺点如上，我们往往要根据实际情况（运算速度，运算成本，结果要求）选择较为合适的运算方式。
在octave中进行pinv（）逆运算其结果不被矩阵是否可逆所影响，我们不做过多讨论。
X（T）X 不可逆可由重复的相同定义的特征变量所导致，也可能是因为样本过少特征值过多所产生。