2021-09-08

线性回归模型：
将梯度下降函数应用最小化平方差代价函数（把 J 代入一下）



对于局部最优解和全局最优解，线性回归的代价函数总是碰不上这类问题，因为他们的图形是：

假设函数（h)，代价函数(J)（类似于数值最接近方程和误差最小loss的函数）
随着对代价函数取到最优点，假设函数也是一步步地随之变化，越来越和数据点更重叠，有更好的拟合。
我们以上使用的可以被叫做Bacth梯度下降：
即每一步梯度下降都使用了整个训练集。也就是每一步代价函数会改动一次假设函数，得到更好地线性回归模型。

利用矩阵实现对四所房子价格的预测：

多个特征值：

【多元线性回归】多特征值假设：几个特征值，在构建假设函数的时候就构建几个Xn;

用梯度下降的方法处理多元线性回归：


特征缩放：

均值归一化：能使梯度下降更快一点【对于每一个特征值都进行均值一次的话，那么它的数据就非常接近，
就会很好求最优 点

通过下面这条迭代曲线可以看出梯度算法是否收敛：

选择合适的学习率ɑ：
size指的是房子的面积，最好在构建模型的时候对其进行特征缩放。
可以选择多种不同的拟合函数：