吴恩达机器学习笔记（二）（多变量特征缩放，特征选择，正规方程）

当出现变量之间范围相差较大时，可以将其特征缩放标准化后，使梯度下降法的速度提高。
下面的作业题中，X数据的第一列代表房间的面积，第二列代表房间数。相差过大所以需要特征缩放
补充知识：标准差=根号方差。
默认是std(x,0,1),第二个位置0代表方差的分母是n，1代表方差分母是n-1，第三个位置，0代表按照行来计算标准差，1代表按列来计算标准差。

特征缩放函数 (x=（x-u平均值）/标准差)

function [X_norm, mu, sigma] = featureNormalize(X)
X_norm = X;
mu = zeros(1, size(X, 2));
sigma = zeros(1, size(X, 2));
 mu = mean(X);                     % m.u中记录X的平均值
 sigma = std(X);                     % X的标准差
 X_norm  = (X-repmat(mu,size(X,1),1))./repmat(sigma,size(X,1),1);
end

梯度下降函数，返回θ，J

function [theta, J_history] = gradientDescentMulti(X, y, theta, alpha, num_iters)
m = length(y); % number of training examples
J_history = zeros(num_iters, 1);

for iter = 1:num_iters
    theta = theta - alpha / m * X' * (X * theta - y); 
    J_history(iter) = computeCostMulti(X, y, theta);
end
end

代价函数，返回J到梯度函数里

function J = computeCostMulti(X, y, theta)
m = length(y); % number of training examples
J = 0；
J = sum((X * theta - y).^2) / (2*m); 
end

主函数

clear ; close all; clc;
data = load('ex1data2.txt');  %自己想研究的数据，
X = data(:, 1:2);                    %这次每一个特征里有三个数据可以训练
y = data(:, 3);
m = length(y);
[X mu sigma] = featureNor