本文是吴恩达《机器学习》视频笔记第19篇，对应第2周第1个视频。“Linear Regression with multiple variables——Multiple features”上一周我们已经学习了机器学习的基本知识，包括机器学习的基本概念、监督学习、无监督学习、一元线性回归、梯度下降、机器学习所需要的线性

回归分为解释性回归和预测性回归预测型回归对预测精度要求较高，可以在模型中添加平方项和交互项甚至高次项进行改进模型，不一定只有线性项但是加入的自变量如果过多，比如4个变量，再加上他们的平方项，8个变量对于小样本的话很容易出现过拟合，和NN很像，对这些样本的表示已

多元线性回归具有多个特征的线性回归如果我们有一个具有多个特征的连续标记数据，我们可以使用多元线性回归来建立机器学习模型。标签是数据的答案，值是连续的。以下面的房价示例，标签是​​价格，特征是大小，卧室数量，楼层数和房龄。注意，数据只有一个真正的机器学习模型

案例来源：中华护理杂志2018年7期一．案例北京市社区失能老年人的照护需求及其影响因素。方法：采用多阶段随机抽样法，对北京市4个区120名老年人进行问卷调查，采用老年人生活活动能力量表筛选失能老年人，使用自行编制的社区失能老年人照护需求调查问卷对其照护服务需求内容