斯坦福大学机器学习笔记——多变量的线性回归以及梯度下降法注意事项（内有代码）

在前面博客中介绍了单变量线性回归的实现过程，本文将介绍多变量线性回归算法。
两者的对比如下：
1.数据方面的差异：
单变量线性回归数据：

多变量线性回归数据：

对于单变量线性回归来说，只有一个特征（房子的大小），而对于多变量线性特征回归特征的数量为多个（房子的大小、卧室的数量等）
2.模型构成上的差异：
单变量模型：

多变量模型：

首先介绍多维特征用矩阵形式的表示：
对于上述多变量的数据来说，我们一般使用：
n代表特征的数量；m代表样本的数量；
$x^{(i)}$代表第i个训练实例，是特征矩阵中的第i行，是一个向量，例如：
$x^{2}=\begin{bmatrix} 1416\ 3\ 2\ 40\ \end{bmatrix}$
$x_{j}^{(i)}$代表特征矩阵中的第i行第j列，也就是第i个实例中的第j个特征，例如:$x_{4}^{(3)}=30$
多变量的假设h可以表示为： h