比如有乙個住房**的資料集，可能會有多個不同的模型用於擬合，選擇之一像是這種二次模型：θ0+θ1x+θ2x2，因為直線並不能很好的擬合這些資料。但是現在如果用二次函式去考慮，可能會想到二次函式在最高點之後會下降，但是**並不會下降，並不合理，那我們可以用θ0+θ1x+θ2x2+θ3x3這樣的三次模型。如果像這樣選擇模型，那麼特徵縮放就變得更重要了。
我們有很大的餘地來選擇要使用哪些特徵，比如
對於某些線性回歸問題， 正規方程會給我們更好的方法讓我們求得θ的最優值。
梯度下降演算法：為了最小化代價函式j(θ)，我們使用這種迭代演算法。經過很多步，也就是梯度下降多次的迭代，來收斂到全域性最小值，相反的，正規方程 提供了一種θ的解析方法，所以我們不需要迭代演算法，而是可以直接一次性求解θ的最優值，基本上只需要一步就可以得到最優值
但是正規方程同樣有一些缺點，如果特徵太多（1萬以上），就使用梯度下降。
多元線性回歸
多元線性回歸的基本原理和基本計算過程與一元線性回歸相同，但由於自變數個數多，計算相當麻煩，一般在實際中應用時都要借助統計軟體。介紹多元線性回歸的一些基本問題。但由於各個自變數的單位可能不一樣，比如說乙個消費水平的關係式中，工資水平 受教育程度 職業 地區 家庭負擔等等因素都會影響到消費水平，而這些影...
多元線性回歸
from numpy import genfromtxt 用來讀取資料轉化為矩陣 from sklearn import linear model 含有回歸的模型 datapath r c users qaq desktop delivery dummy.csv 路徑 deliverydata ge...
多元線性回歸
設 n為特徵數量，m為樣本數量，x i 為向量，就是乙個樣本的所有特徵 現在我們的特徵數量變多了，式自然也改變了 變為 則 唯度都為n 1 那麼 公式就為 代價函式為 我們約定x 0 1，那麼當特徵數量 n 1 時，我們進行下面這個公式進行梯度下降，直到收斂 但是這樣有的時候我們會遇到麻煩，在特徵的...