[TOC]
Multiple Features
多个特征的数据
对于线性回归：
其中：X0 = 1
Gradient Descent for Multiple Variables
对于m个样本，n个特征的，
Feature Scaling
对训练数据进行特征缩放可以加快训练速度。
有两种帮助的技术是特征缩放和均值归一化。特征缩放涉及将输入值除以输入变量的范围（即最大值减去最小值），从而产生仅1的新范围。均值归一化涉及从该值中减去输入变量的平均值。输入变量导致输入变量的新平均值仅为零。要实现这两种技术，请调整输入值，如下面的公式所示：
Features and Polynomial Regression
特征和多项式回归不一样，We can improve our features and the form of our hypothesis function in a couple different ways.
可以通过组合特征生成新的特征，We can combine multiple features into one. For example, we can combine x_1 and x_2 into a new feature x_3 by taking x_1⋅x_2.
可以通过取平方，立方，平方根等方法增加多项式，We can change the behavior or curve of our hypothesis function by making it a quadratic, cubic or square root function (or any other form).
Normal Equation
正规方程：在通过迭代更新参数theta的时候，当偏导数项为0 的时候，就是参数theta的最终值。所以通过这种方式来求得theta值的方法，就是正规方程。
下面是例子以及跟梯度下降的对比。
| 梯度下降 | 正规方程 |
|---|---|
| 需要选择适当的学习率 α | 不要学习率 α |
| 需要进行多步迭代 | 不需要进行迭代，在 Matlab 等平台上，矩阵运算仅需一行代码就可完成 |
| 对多特征适应性较好，能在特征数量很多时仍然工作良好 | 算法复杂度为 O(n3)，所以如果特征维度太高（特别是超过 10000 维），那么不宜再考虑该方法。 |
| 能应用到一些更加复杂的算法中，如逻辑回归（Logic Regression）等 | 矩阵需要可逆，并且，对于一些更复杂的算法，该方法无法工作 |
注意：
