多特征（Multiple features）
本节将两个特征（其中x0=1）延伸到多个特征（变量），“特征”看来就是自变量、影响因子，比如价格是因变量，房屋面积、房间数、层数、房龄等是自变量或影响因子。
多元线性回归
多元梯度下降法（Gradient descent for Multiple variables）
多元线性回归的梯度下降的方法，分别对不同的参数进行偏导数。
梯度下降法：特征缩放（Featrue Scaling）
特征缩放：瘦长的椭圆，会导致趋向最值时梯度下降的震荡；所以需要缩放特征值，使得其取值范围相近。
、
缩放的特征值尽量在-1到1之间，当然，范围在-3到3之间，或者-1/3到1/3之间也是可以接受的。
均值归一化，（特征值-均值）/标准差，其中，标准差为最大值减去最小值。
梯度下降法：学习率（Learning Rate）
学习率选择时，学习率太小，收敛过慢；学习率太大，代价函数与步数之间的曲线可能不是下降，甚至无法收敛。
那么，如何选择学习率呢？一般按照3的倍数去取，如.......0.001, 0.003, 0.01, 0.03, 0.1, 0.3, 1..........
正规方程（Normal equation）
可以一步得到回归问题的最优解，不需要进行特征缩放，适用于特征量不是很大的时候，一般不适用特别复杂的函数。
正规方程的具体公式，
正规方程在Octave上的实现形式
那么，应该什么时候使用正规方程，什么时候使用梯度下降呢？
一般情况下，n<10000时，使用正规方程；当n>10000时，就需要考虑使用梯度下降法。