02_机器学习_线性回归_多维特征_多变量梯度下降法（python实现）

1. 目的

    上一节，我们讨论了单变量的线性回归，但事实上多变量特征值更为常见，比如房价不仅取决于面积，还取决于地段、房型、楼层等因素影响，所以笔者将在上一节的基础上进行扩展，讨论如何进行多维度的线性回归。

2. 数学推导

2.1 引入

增添更多特征后，我们引入一系列新的注释：
n  代表特征的数量
x(i) 代表第 i个训练实例，是特征矩阵中的第𝑗行，是一个 向量（vector）。

例如：第二行特征值可以表示为：

代表特征矩阵中第 𝑗 行的第 𝑘 个特征，也就是第 i 个训练实例的第 j 个特征。

2.2  假设函数

我们用假设函数来进行拟合，这里为了计算方便，笔者采用只两个特征变量，但代码已经适合任意多变量线性拟合，只需要更换下数据和少量代码改动，假设函数如下：

3.3 多变量梯度下降

代价函数为：

其中

对代价函数

3. 代码实现

4. 小结