本篇主要讲的是多变量的线性回归，从表达式的构建到矩阵的表示方法，再到损失函数和梯度下降求解方法，再到特征的缩放标准化，梯度下降的自动收敛和学习率调整，特征的常用构造方法、多维融合、高次项、平方根，最后基于正规方程的求解。
更多内容参考 机器学习&深度学习
在平时遇到的一些问题，更多的是多特征的
多变量的表示方法
多元线性回归中的损失函数和梯度求解
有时候特征各个维度是不同规模的，比如房间的平米数和房间数，两个数量级相差很大。如果不丛任何处理，可能导致梯度优化时的震荡。
一般如果特征时在可接受的范围内，是不需要做特征缩放的。如果很大或者很小，就需要考虑进行特征的缩放了。
标准化，即
自动收敛测试：如果梯度在优化后变化很小，比如10^-3，那么就认为梯度优化已经收敛。
如果发现误差在不断的增加或者不断的抖动，那么应该减小学习率，这一版都是由于学习率过大导致的震荡。但是如果学习率设置的很小，收敛的速度又会很慢。一般都是采用不同的学习率来测试，比如0.001, 0.01, 0.1, 1 ....
有的时候我们选择的特征，并不是直接使用数据，而是通过数据拟合出新的特征。比如我们有房子的长宽，但是使用特征的时候，可以构造出一个面积特征，会更有效果。
通过x构造新的特征替换高维特征
如果不希望房子的价格出现下降，可以构造平方根的特征：
基于正规方程解
基于梯度下降和正规方程的区别
如果特征之间共线，会导致矩阵不可逆
