多变量线性回归
形式：
这里要注意的是x0=1(恒等)
如果了解一点线性代数就知道可以简化为向量相乘（默认向量为列向量）
特征缩放（feature scaling）
当特征值的取值范围过大时，画出的函数图像可能会有点畸形
例如下面这样瘪瘪的椭圆
这样可能会在梯度下降时来回震荡
解决的办法就是特征缩放，一般来说控制特征值的范围在（-1，1）范围附近即可
如上 ： x1=x1/2000, x2=x2/5
这样特征值的范围就都控制在一个合适的范围了
另一个方法是均值归一化
即减去特征值的平均值，再除以该特征值的标准差（max-min）
这样得到的函数图形应该是这样
除了梯度下降外，对于线性回归问题，还可以正规方程来处理且只需要一步就能得到最优解
举个最简单的例子：
对于只有一个参数的线性方程来说，假设它的cost function J（θ）是如下函数：
学过微积分或者高中毕业的同学应该都知道这个函数要求最小值，直接求导并且再令导数等于0就可以了，这就是正规方程
对于多元线性回归方程来说也是如此：
只需要对每个参数θi求偏导，然后全部令他们为0就可以求得最优解了
对于多元线性回归方程来说有如下公式：
不去推导，知道就行
且正规方程并不需要特征缩放
Q:那么有这么简单的方法，为什么还要用梯度下降呢？
原因之一是正规方程不适用复杂方程（如逻辑回归）
下图是梯度下降和正规方程的对比