梯度下降算法的每次迭代受到学习率的影响，如果学习率α过小，则达到收敛所需的迭代次数会非常高；对没有进行特征缩放的训练集使用梯度下降法训练时，会导致迭代次数增加的情况。使用梯度下降法时，特征缩放有助于减少迭代次数，提升模型训练速度，使模型更快地收敛。在此前的单变量线性回归的基础之上增加更多的特征，构成一个多变量的回归模型，模型中的特征为(x1,x2,x3,...,xn)特征缩放：将不同特征的值量化到

贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。其中朴素贝叶斯分类是贝叶斯分类中最简单最常见的一种分类方法。朴素贝叶斯不能用于回归，但是是一个有效的分类器。

支持向量机的目标是找到一个函数，使得大部分数据点都落在间隔内，并且使得落在间隔之外的数据点的预测误差最小化。这些落在间隔之外的数据点被称为支持向量。对于一些数据集，不存在一个能够正确划分两个类别样本的超平面，对这样的问题，可以将样本从原始空间映射到一个更高维的特征空间中，使得样本在这个特征空间中线性可分。将原始空间中的向量作为输入向量，并返回特征空间（转换后的数据空间,可能是高维）中向量的点积的函

贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。其中朴素贝叶斯分类是贝叶斯分类中最简单最常见的一种分类方法。朴素贝叶斯不能用于回归，但是是一个有效的分类器。