机会永远留给有准备的人，不积跬步，无以至千里，厚积而薄发，与大家共勉！加油！
博主最近在学习吴恩达的机器学习课程，将一些日常学习本人认为重要的地方在此记录，与大家分享，如有错误，请大家不吝赐教！ github:https://github.com/ScathonLin
在梯度下降算法运用中，如果能保证不同特征的取值在相同或者相近的范围内，比如都处于0-1之间，那么梯度下降算法将会能很很快的收敛。
例如，一个含有两个特征的训练样本集，其中
number of bedrooms(1-5)
此时，X1 是远远大于X2的，所以此时对应的轮廓图将很瘦很高，如下图所示：
这样造成的结果很可能就是，梯度在下降过程中走了很多的“弯路”，来回震荡，收敛速度很慢，解决办法就是：特征缩放。
- 特征缩放方法
对于上述例子，我们可以将特征值进行如下转换，即可将两个特征值范围尽可能靠近，甚至相同：
这样， 并且
，这样的话，最终
的轮廓图像就很“圆”，
这样，梯度下降算法就会很快的收敛。
- 一般解决方案：均值归一化
假设一个训练集有m个样本，n个属性， 其中
代表第i个样本的第j个属性的值，
代表所有样本第j个属性的值的平均值，
代表所有样本第j个属性的最大值。下图是教程视频中的解释。
注意，不要用因为
。
也可以将上面的用这个式子来替换，其实就是将分母变成了max-min,