目录

一、Linear Regression with multiple variable - 多变量线性回归:

二、Gradient descent for multiple carables - 多变量梯度下降:

三、Feature Scaling - 特征缩放：

1.特征缩放方法： 

2.归一化和标准化的区别：

四、Learning rate - 学习率:

五、Features and polynomial regression:

---

一、Linear Regression with multiple variable - 多变量线性回归:

Multivariate linear regression:    

---

二、Gradient descent for multiple carables - 多变量梯度下降:

---

三、Feature Scaling - 特征缩放：

1.特征缩放方法： 

有一些时候，只对数据进行中心化和缩放是不够的，还需对数据进行白化（whitening）处理来消除特征间的线性相关性。

2.归一化和标准化的区别：

• 归一化（normalization）：归一化是将样本的特征值转换到同一量纲下，把数据映射到[0,1]或者[-1, 1]区间内。
• 标准化（standardization）：标准化是将样本的特征值转换为标准值（z值），每个样本点都对标准化产生影响。

---

四、Learning rate - 学习率:

        首先我们简单回顾下什么是学习率，在梯度下降的过程中更新权重时的超参数，即下面公式中的：         
        学习率越低，损失函数的变化速度就越慢，容易过拟合。虽然使用低学习率可以确保我们不会错过任何局部极小值，但也意味着我们将花费更长的时间来进行收敛，特别是在被困在局部最优点的时候。而学习率过高容易发生梯度爆炸，loss振动幅度较大，模型难以收敛。下图是不同学习率的loss变化，因此，选择一个合适的学习率是十分重要的。

---

五、Features and polynomial regression:

 

可以通过选择不同的特征值，来对数据进行拟合！