机器学习部分：特征缩放

特征缩放(feature scaling)

其中，特征缩放(feature scaling)大致的思路是这样的：梯度下降算法中，在有多个特征的情况下，如果你能确保这些不同的特征都处在一个相近的范围，这样梯度下降法就能更快地收敛。

举个例子来说明：

x1=size(0−2000)feet2x1=size(0−2000)feet2 
x2=卧室的数量(1−5)x2=卧室的数量(1−5)

假如你有一个具有两个特征的问题，其中x1x1是房屋面积大小，它的取值在0到2000之间；x2x2是卧室的数量，可能这个值的取值范围在1到5之间。其代价函数J(θ)J(θ)是一个关于参数θ0，θ1和θ2θ0，θ1和θ2的函数。但这里我们暂时不考虑θ0θ0并假想一个函数的变量只有θ1和θ2θ1和θ2。

如果x1x1的取值范围远远大于x2x2的取值范围的话，那么最终画出来的代价函数J(θ)J(θ)的轮廓图就会呈现出这样一种非常偏斜并且椭圆的形状:

如果你用这个代价函数来运行梯度下降的话，你要得到梯度值最终可能需要花很长一段时间，并且可能会来回波动，然后会经过很长时间最终才收敛到全局最小值。

事实上如果这些轮廓再被放大一些的话，如果你画的再夸张一些把它画的更细更长，那