1.训练集

使用Numpy数组存储数据集。

2.打印数组

打印两个数组的形状和数据。

3.初始化w，b

为了演示，w，b预设出接近最优解的值。w是一个一维数组，w个数对应特征个数。

4.非向量化计算多元线性回归函数

使用for循环，计算每个w和x的乘积。

5.向量化计算多元线性回归函数

使用Numpy的dot方法，一行代码实现每个w和x的乘积。

5.向量化计算多元线性回归的成本函数

每一组训练样本的预测值，都使用np.dot()+b。

6.计算多元线性回归的成本函数的梯度

第一层循环，计算每组训练样本的误差。第二层循环，遍历并计算每组训练样本的n个特征。

• 第二层循环有点绕，只需要记住，我们要计算多个w，有几个特征列，就要计算几个w。如果有4个特征列，则需要通过公式，分别计算并更新w1,w2,w3,w4。dj_dw数组保存的就是这4个w。dj_dw里最终保存的内容，是计算一次梯度后，w1,w2,w3,w4的值是多少。X[i,j]对应第i行训练样本里的第j个特征。
  

7.运行梯度下降函数

这里的w是向量化操作，w的第一个元素减去α乘以dj_dw的第一个元素，然后更新到w的第一个元素。
里面的计算可以形象化为： [w1 - (alpha * dj_dw[0]), w2 - (alpha * dj_dw2[1])…]

8.运行梯度下降

执行梯度下降计算出w,b，使用w,b，通过训练集计算预测，发现与训练集的真实数据误差较大。

9.可视化迭代次数和成本函数

第一张图，迭代一开始，注意Y轴，成本函数的值就迅速降到750以下，。
第二张图细化了第一张图的直线部分，注意Y轴，迭代一开始，成本函数696开始缓慢下降，下降幅度变小。