下一篇：机器学习（2）--单元、多元线性回归Python实现（附练习数据资源百度云）
问题描述，较单元线性回归问题而言，多元线性回归增加变量个数即单变量推广到多元：
运用梯度下降法时，方法同单变量线性回归，代价函数如下：
仍旧是分别求偏导，不断迭代，直至收敛：
以上是多元线性回归的梯度下降的算法
出现了一个问题，多变量的时候，变量的取值范围将有差异，如果差异过大，产生的代价函数极不规整，像特别狭长的椭圆，这时候进行梯度下降时，路径会十分曲折。下图是例子，左边x1与x2相差3个数量级，右边差不多，右边的收敛性好。
采用特征缩放：特征取值应当比较接近，不要相差过大。可做归一化处理，为了让梯度下降更快收敛更快
归一化：(x-μ)/s，减去平均值再比上标准差（标准差可替换为最大值减最小值），这样范围就相近，收敛性较好
此外，如何选择学习率也是一个问题，过大易不收敛，过小收敛过慢，可绘制以J（θ）为纵坐标，迭代次数为横坐标的图：
收敛形式如上图，如果曲线奇怪，则考虑减小学习率α，收敛过慢，考虑增大α
扩展到非线性空间：
回归方程的选择因实际情况而定，不要拘泥死板
除了通过梯度下降的方法求代价函数最小值时对应的参数θ，也可通过正规方程来求的，以数学思维来求的：
实际问题可抽象成矩阵方程Xθ = Y（θ是向量，为[θ0，θ1，θ2...]）：
现在的问题即求解此方程，稍微推了下正规方程怎么来的，由于X可能并不是方阵，应该说大多数情况下都不是，所以两边先同时左乘一个XT，再求解。
仍可能存在问题：XTX不可逆，可通过正则化去掉线性相关变量等操作继续实现。
正规方程于梯度下降函数对比：
梯度需要选择学习率，需要迭代
正规当变量过多，计算很慢（逆矩阵的代价等同于O（n^3)),可以10000作为分割点
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
