梯度下降推广：多元线性回归(学习速率掌控) ----预测房价

---

1.假设
一个房屋的出售价格y(千元/平方米)由：
(1)房屋距市中心的距离(km) x1
(2)房屋的大小(平方米)x2
(3)房屋所拥有的房间数x3
(4)房屋的已使用时间x4

这四个因素决定，那么根据训练集确定五个变量θ1 θ2 θ3 θ4 θ0，使得任一房屋的价格可由 y= θ0 + θ1*x1 + θ2*x2 + θ3*x3 + θ4*x4 预测。

---

2.分析：
要预测房屋价格，实际上是要对五个变量分别使用梯度下降，来找到使得误差函数J(θ) 最小的θ1 θ2 θ3 θ4 θ0 的组合。

这篇文章承接自我的上一篇有关梯度下降的文章：[初识：梯度下降算法 (Gradient Descent)]
在这篇博客中我通过对 x1 x2 (在这里应当对应的是 θ0 θ1 )两个变量进行梯度下降从而得到散点的最优直线拟合。在这里只是问题稍微复杂了一些，需要对五个变量进行梯度下降的处理，来得到最优的房价预测方程。

---

承接上篇博客，这里直接给出五个变量的梯度下降式子：

---

那么只需要根据这五个式子，就可以利用梯度下降算法得到最优的拟合方程。

然而，我在用代码实现了算法之后，却发现θ1 θ2 θ3 θ4 θ0 无法收敛，每次都运行到我指定的for循环最大次数后才退出。其时间消耗少则五分钟，多更至十多分钟，有时甚至根本无法得到结果(结果显示 not a number)。

但是，经过长时间的探索，终于发现问题竟出在了α的取值上。α 又称学习速率，决定了每一次θ1 θ2 θ3 θ4 θ0 改变幅度的大小，受之前那个拟合散点程序的影响，我这次开始的时候将α 设置的较大(0.1或0.01)，或许是因此导致了θ1 θ2 θ3 θ4 θ0 中一部分变量的发散，从而导致循环跳出条件无法满足。
将α 值调为0.0001后，五个变量得以迅速收敛，循环次数也由千万级别骤降至四百余次。

可以看到，过小的α有时会导致计算次数增多，增加消耗，有时却能拯救一个无法收敛的程序。可见，对于不同的训练集，α的取值相当灵活。

---

3.代码实现：

原理与上篇博客中的拟合散点大致相同

(1)给出训练集，学习速率，及有关变量
由于训练集数据过少，而且数据是自己编的，结论应该和实际没什么关系 :(

int Judge ;     //用于判断收敛

//自己脑补了15组数字 :)
double Train_set_x1[15] =