Multiple Features（多特征）
是指训练集中第i个训练样本的第j个特征(标量)；
是训练集中第i个输入特征(向量)。
Example:
Hypothesis:
以前：
现在：
定义
代价函数(cost function):
梯队下降法(Gradient descent):
以前：（n=1）
现在：(n>=1) -->多元线性回归的梯度下降算法
特征缩放(feature scaling):
idea(实现思想):使不同特征缩小至相近范围
让每一个特征缩小至统一相近范围：一般减去平均值然后除以标准差或最大最小值之差(均值归一化)
均值归一化(mean normalization):
用替代
，这样特征值就具有为0的平均值(tips：不将此实施在
)
学习率：
在选择取值：...，0.001，0.003，0.01，0.03，0.1，0.3，1，...
Polynomial regression(多项式回归)：
tips：注意归一化
normal equation(正规方程)：
这是一个求解的解析算法，对比梯度下降法，可以一次性求解
的最优值。
注意
不一定可逆(奇异或退化矩阵)，matlab/octave使用pvin()函数可能求解的是伪逆矩阵。
对不可逆情况的处理：找到无关的多余特征并删除，这将解决不可逆问题。