概念
为了解决线性回归问题，我们也用梯度下降算法。
算法逻辑如下：
对于线性回归模型中例子，梯度下降可以如下：
算法
实际上梯度下降可有通过求导。这里的符号“:=”是赋值的含义
有两个注意点：
参数的更新，每次迭代中θ0和θ1是同时更新的。
在梯度下降中需要注意α，也就是学习速率（learn rate）。速率过大导致一直发散，速率过小导致迭代过多。这个值需要根据实际调整，具体后续分析。
即使学习率α固定，渐变下降也可以收敛到局部最小值
梯度下降算法最小化平方误差代价函数
基本概念
首先二者分别如下
所以可以得到下面的迭代
多特征
对于多个特征量，假设函数(hypothesis)应该变化为：
同理，新的算法为：
特征缩放
对于新的算法中，多个特征量由于各自有不同的范围，因此由这些取值可能使得收敛较慢或者没有了理想的效果。所以可以使用特征缩放来解决这个问题：
需要注意的是这里的正负1不是要求绝对的满足，这里的意思是多个特征量的值范围不要差距太大即可
均值归一化
对于特征量除了特征缩放以外还有均值归一化的方法：
这里μ的含义是特征集中特征X1的平均值，S1表示X1的特征值范围，也就是X1_max和X1_min的差值。虽然可以用标准差，但其实是一样的。同理这里的正负0.5也表示相近的值就可以。
学习率α的取值
如果α的取值过大或者过小都有可能导致代价函数不理想：
因此在实际中，ANg推荐的做法是通过取不同的α观察来比较，从中选取合适的学习率。
特征和多项式回归
选取的特征越有效，最终获取的结果就越准确，所以选择正确的特征是很重要的。但实际中可能有一些函数会很复杂，或者非线性。这个时候我们不能直接使用选取特征和对应的函数。此时可以通过拟合的方式获取符合实际的函数。并且特征也可以间接利用。
正规化方程
概念
某一些问题，使用正规化方程可以更好的得到θ。并且正规化方程可以一次性得出θ。
对于例子来说，使用正规化方程，可以得出结果。
梯度下降算法和正规化方程的选择
对于二者，最主要的区别就是梯度下降是多次得到结果，正规化方程是一次求解。所以当特征较少的情况下，使用后者更合适。前者适用于大型或者复杂的情况
此外正规化方程有一个使用前提，也就是有逆矩阵的前提下。但这个情况通常极少，可不考虑。