用梯度下降法处理一元线性回归问题
其实多元也一样，就是再加m组样本的一个特征。
特征归一化的重要性
一开始的时候忘记了归一化，运行出来的结果是这样的
代价函数根本不收敛呀，什么鬼。
突然想起，忘了正规化，加上后，世界都美好了许多。
步长因子选择的重要性
很直接的它会影响收敛快慢，这里不做赘述了，讲一下步长因子的选择吧。…0.03，0.1，0.3，1…慢慢试吧。
预测
只一点要注意，预测时别忘了把给定的特征归一化，因为你的theta是按照归一化算出来的，所以如果你不归一化就会计算出错。最后要说明的是，程序中控制梯度下降法迭代停止，运用的是设定迭代次数N。当然也可用误差小于一定数值。