9、多变量梯度下降

本章可以类比于单变量线性回归来学习，如果你不了解单变量线性回归的话，建议参考4.单变量线性回归 5.代价函数 6.梯度下降 7.关于4、5、6的小结：三个公式的脉络
多变量线性回归中，我们也构建一个代价函数：

其中：

我们的目标和单变量线性回归问题中一样，是要用 多变量线性回归的批量梯度下降算法 找出使得代价函数最小的一系列参数。
多变量线性回归的批量梯度下降算法为：

求导数后化简得到：

其中：

…
我们开始随机选择一系列的参数值，计算所有的预测结果后，再给所有的参数一个新的值，如此循环直到收敛。
代码示例:

其中：

Python 代码：

def computeCost(X, y, theta):
	inner = np.power(((X * theta.T) - y), 2)#（X*𝜃转置）的平方
	return np.sum(inner) / (2 * len(X))