读取数据——可视化数据集——损失函数——梯度——数据处理（X加偏置项，y降维）——一对多分类器——利用最优函数得到最优参数——预测。

在微积分里面，对多元函数的参数求∂偏导数，把求得的各个参数的偏导数以向量的形式写出来，就是梯度。比如函数f(x,y), 分别对x,y求偏导数，求得的梯度向量就是,简称或者。对于在点的具体梯度向量就是.或者，如果是3个参数的向量梯度，就是∂以此类推。

比如对于多元线性回归，假设函数表示为其中为模型参数，为每个样本的个特征值。这个表示可以简化，我们增加一个特征，这样设向量假设样本个数为m，具体为。设输入特征向量，输出特征向量设矩阵，则有1、假设函数：或2、参数：或3、样本：样本数为m，具体为或输入特征向量，输出特征向量4、代价函数：12m(XθyT(Xθy由于样本不同特征的取值范围不一样，可能导致迭代很慢，为了减少特征取值的影响，可以对特征数据归

在微积分里面，对多元函数的参数求∂偏导数，把求得的各个参数的偏导数以向量的形式写出来，就是梯度。比如函数f(x,y), 分别对x,y求偏导数，求得的梯度向量就是,简称或者。对于在点的具体梯度向量就是.或者，如果是3个参数的向量梯度，就是∂以此类推。