本篇主要講的是多變數的線性迴歸，從表示式的構建到矩陣的表示方法，再到損失函式和梯度下降求解方法，再到特徵的縮放標準化，梯度下降的自動收斂和學習率調整，特徵的常用構造方法、多維融合、高次項、平方根，最後基於正規方程的求解。
更多內容參考 機器學習&深度學習
在平時遇到的一些問題，更多的是多特徵的
多變數的表示方法
多元線性迴歸中的損失函式和梯度求解
有時候特徵各個維度是不同規模的，比如房間的平米數和房間數，兩個數量級相差很大。如果不叢任何處理，可能導致梯度優化時的震盪。
一般如果特徵時在可接受的範圍內，是不需要做特徵縮放的。如果很大或者很小，就需要考慮進行特徵的縮放了。
標準化，即
自動收斂測試：如果梯度在優化後變化很小，比如10^-3，那麼就認為梯度優化已經收斂。
如果發現誤差在不斷的增加或者不斷的抖動，那麼應該減小學習率，這一版都是由於學習率過大導致的震盪。但是如果學習率設定的很小，收斂的速度又會很慢。一般都是採用不同的學習率來測試，比如0.001, 0.01, 0.1, 1 ....
有的時候我們選擇的特徵，並不是直接使用資料，而是通過資料擬合出新的特徵。比如我們有房子的長寬，但是使用特徵的時候，可以構造出一個面積特徵，會更有效果。
通過x構造新的特徵替換高維特徵
如果不希望房子的價格出現下降，可以構造平方根的特徵：
基於正規方程解
基於梯度下降和正規方程的區別
如果特徵之間共線，會導致矩陣不可逆
