4.1 多维特征
现在我们对房价模型增加更多的特征，例如房间数楼层等，构成一个含有多个变量的模型，模型中的特征为(x1,x2,x3,....,xn).
因此，用n表示特征的数量，用x(i)j 表示第i个实例的第j个特征。
则支持多变量的假设h可表示为：h(x(i))=sita0+sita1*x(i)1+sita2*x(i)2+...+sitan*x(i)n
4.2 多变量梯度下降
在多变量线性回归中，我们也构建一个代价函数，则这个代价函数是所有建模误差的平方和,即
则梯度下降算法为：
我们开始随机选择一系列的参数值，计算所有的预测结果后，再对所有的参数进行更新，如此循环直到收敛。
4.3 梯度下降法实践1-特征缩放
在我们面对多维特征问题的时候，我们要保证这些特征都具有相近的尺度，这将帮助梯度下降算法更快地收敛。