本文介绍了Stanford机器学习课程的第二讲内容——多变量线性回归。讲解了多变量线性回归的假设、梯度下降法在多变量情况下的应用、特征缩放、学习率的选择、多项式回归以及正规方程。同时强调了特征归一化的重要性，并对比了梯度下降与正规方程两种方法。最后提到了在XTX不可逆时的处理策略，并预告了更多机器学习相关内容的更新。
本栏目（Machine learning）包括单参数的线性回归、多参数的线性回归、Octave Tutorial、Logistic Regression、Regularization、神经网络、机器学习系统设计、SVM（Support Vector Machines 支持向量机）、聚类、降维、异常检测、大规模机器学习等章节。所有内容均来自Standford公开课machine learning中Andrew老师的讲解。（https://class.coursera.org/ml/class/index）
第二讲-------多变量线性回归 Linear Regression with multiple variable
(一)、Multiple Features:
多变量假设：输出由多维输入决定，即输入为多维特征。如下图所示：Price为输出，前面四维为输入：
假设h(x)=θ0+θ1x1+……所谓多参数线性回归即每个输入x有(n+1)维[x0……xn]
最低0.47元/天 解锁文章
5万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
