本文是吴恩达《机器学习》视频笔记第19篇，对应第2周第1个视频。
“Linear Regression with multiple variables——Multiple features”
01
—
笔记
上一周我们已经学习了机器学习的基本知识，包括机器学习的基本概念、监督学习、无监督学习、一元线性回归、梯度下降、机器学习所需要的线性代数基础等。
而第二周的主要内容有两个：
- 多元线性回归；
- Octave（Matlab）入门。
本小节先来看一下多维特征是个什么东西？为什么需要多元线性回归？
1.1 还是卖房子的例子
在上一周预测房屋售价的时候，我们只考虑了面积对房屋售价的影响，我们使用梯度下降法求解下图中这样的一元模型的参数。
但实际上，我们在买房的时候不单看面积，我们还要看它是几室几厅、是几层的、还要看房屋的年限等，多种因素共同影响房屋的最终售价，即：
相应的，我们就用一些特别的标识来表示这些影响房屋最终售价的特征，如下图：
那，我们让这件事情更一般化一点。假设影响因变量y的自变量有n个，即 。我们在讲一元模型的时候讲到过，用m表示训练样本的个数。而第i个样本表示成 ， 。如果自变量是有n个的话，相对应的自变量就是可以细分到第i个样本的第j个特征，即 。
再结合上周学到的线性代数基础，我们可以把第i个样本的m个分量用一个m维的列向量来表示，具体化到卖房子的这个例子，就可以 表示维为下图所示：
1.2 多元线性回归的一般模型
本来一元模型是这样的，
变成了多元模型之后（此处卖房子的变成了四元模型）：
上式中，我们知道x1、x2、x3、x4分别表示的是面积（平方英尺）、卧室数量、层数、年限四个自变量。
然后，借助训练样本的帮助经过一定的算法，可能可以求出上面模型中的参数，然后公式有可能是下面这个样子：
上面这个式子怎么理解呢？注意我们这里的
是最终房屋的售价（单位是：千美元），房屋的面积每增加一平方英尺就增加100美元，同样面积的房子每增加一个卧室售价增加10美元，同样面积同样卧室数每增加一层就会增加3000美元，而房屋的使用年限每增加一年就减少2000美元。
对于n元的情况：
上面这个式子，有没有可能通过线性代数的方法让它看上去更精炼么？如果我们引入一个多一个自变量 让它恒等于1， 那么如下图所示：
我们可以用矩阵向量乘法的形式把多元线性回归的模型公式表示为：
这样的公式看着非常舒服，好像求解的问题显得简单了，但实际上我们知道它包含了好多好多的数在里面的。
更具体的我们后面再讲。
