线性回归AndrewNg笔记

单变量回归（包含假设、参数、损失函数、目标函数）

梯度下降法

迭代次数J和α（learningrate）是影响梯度下降法是否成功收敛到最优值的重要因素。

迭代次数：
过少可能使得算法还没有收敛就停止，
过多导致资源（时间等）的浪费；
α−learningrate:
如果过小，使得每次迭代时theta的变化量过小，从而算法收敛过慢，换言之需要增加迭代次数使得算法收敛；
如果过大，使得每次迭代时theta的变化量过大，可能在变化（迭代）过程中越过最优（收敛）点。

梯度下降：特征量即使很大，也能比较良好的进行计算，但是需要选择学习速率α和多次迭代
正规方程：不用选择学习速率（当然也不需要进行变量的缩放），也不用进行迭代，但是当特征量很多的时候，计算就很慢，求nxn的矩阵的逆矩阵，时间复杂度相当于n^3
按照andrew Ng的话，如果小于10000，一般现在正规方程，否则选择梯度下降.

[1].Andrew NG. CS229 Lecture Note