吴大佬的网课——多变量线性回归1.0

之前一直是在讨论数据集一个变量或者两个变量下的情况，终于来到了多个变量的情况了，看到矩阵和向量就有些害怕呢。不过它的基本原理肯定还是没有变的，还是有一个假设函数，然后有对应的代价函数，我们的目标还是最小化花费函数，如下图
那运用梯度下降法时，有什么变化呢?
除了要改变的参数增多外，一点变化都没有，还是让参数在梯度的对应维度下降一定距离

接下来又讲了点梯度下降法的一点小技巧啦，比如对学习率的选取，不能太大，太大的话，有可能会直接越过局部最优解，反而让学习率越来越大，但是也不能太小，太小的话变得太慢。还有就是均一化，通过对数据集同乘或者同除，来让数据变得在近似范围内，方便其梯度下降。