5 多变量线性回归

5多变量线性回归

    这一节我们将介绍一种更加有效的线性回归形式，它适用于多变量、多特征的情况。在我们之前学习过的线性回归中，只有一个单一的特征变量，房子的面积大小，我们希望用这个特征量来预测房子的价格。现在想想一下，我们不止有房子的面积大小，还有卧室的数量、楼层数量、房子的使用年限，这样就给了我们许多信息来预测房子的价格。

    前面我们已经介绍过，我们会使用x1，x2，x3，x4分别表示这种情况下的四个特征量，仍然使用y来表示我们想要预测的输出变量。如下图所示，让我们来看看更多的表示方式，现在我们有四个特征量，我们使用

n 表示特征数量，这里的n和我们之前讲到的m不同，m表示的是样本的数量。

x⁽ⁱ⁾ 表示第i个训练样本的所有输入特征量。举个例子来说，x⁽²⁾ 表示第2个训练样本的特征向量，也就是我们用来预测房子价格的四个特征量组成的向量（参考图中，粉红色），2对应着表格中的第二个训练样本，并不是二次方。

x⁽ⁱ⁾_j 表示第i个训练样本的第j个特征量。

    既然我们有了这么多的特征变量，现在我们讨论一下，我们的假设函数一个是怎么样的？？？我们之前使用过的假设函数只有一个特征变量x，但是我们现在有了多个特征变量，我们就不能使用之前那种简单的形式来表示假设函数了。我们将假设函数改写为如下的形式：

别忘了，假设函数是为了预测房子的价格。房子的价格随着房子的面积x1、卧室的数量x2、房子的楼层数x3、房子使用年限x4的增加而增加。

接下来，我们需要简化假设函数的形式。为了表示方便，我们设定x0=1，这就意味着，对于每一个样本i都有一个特征向量，你可以认为我们定义了一个而外的第0个特征量。如下图所示，将参数和特征向量都表示成向量的形式，这样我们就能将我们的假设函数简化θ矩阵的转置乘上特征变量X矩阵。这就是多特征变量情况下的假设函数，起另一个名字就是所谓的多元线性回归。