機會永遠留給有準備的人，不積跬步，無以至千里，厚積而薄發，與大家共勉！加油！

博主最近在學習吳恩達的機器學習課程，將一些日常學習本人認為重要的地方在此記錄，與大家分享，如有錯誤，請大家不吝賜教！ github:https://github.com/ScathonLin

在梯度下降演算法運用中，如果能保證不同特徵的取值在相同或者相近的範圍內，比如都處於0-1之間，那麼梯度下降演算法將會能很很快的收斂。

例如，一個含有兩個特徵的訓練樣本集，其中

number of bedrooms(1-5)

此時，X1 是遠遠大於X2的，所以此時對應的輪廓圖將很瘦很高，如下圖所示：

這樣造成的結果很可能就是，梯度在下降過程中走了很多的“彎路”，來回震盪，收斂速度很慢，解決辦法就是：特徵縮放

• 特徵縮放方法

對於上述例子，我們可以將特徵值進行如下轉換，即可將兩個特徵值範圍儘可能靠近，甚至相同：

這樣， 並且 ，這樣的話，最終的輪廓影象就很“圓”，

這樣，梯度下降演算法就會很快的收斂。

• 一般解決方案：均值歸一化

假設一個訓練集有m個樣本，n個屬性， 其中 代表第i個樣本的第j個屬性的值，代表所有樣本第j個屬性的值的平均值，代表所有樣本第j個屬性的最大值。下圖是教程視訊中的解釋。

注意，不要用因為。

也可以將上面的用這個式子來替換，其實就是將分母變成了max-min,