之前的部落格裡，跟大家分享了歸一化(regularization)的概念：保留所有的特征，但是減小參數的大小(magnitude)。
這一次捏，跟大家讨論讨論，歸一化線性回歸模型和歸一化邏輯回歸模型。
首先跟大家明确一件事，為什麼有些機器學習的模型需要用到歸一化這個方法呢？答案有兩條：
歸一化能夠加快梯度下降的步伐，也就是獲得最優解的速度
歸一化能夠送出模型的精度
具體的分析我們可以後續來讨論，這裡就不贅述了。
歸一化線性回歸模型(regularized linear regression)
我們之前讨論過，歸一化代價函數。線性回歸的代價函數和歸一化代價函數的表達式是一樣的：
如果我們使用梯度下降算法使得這個代價函數最小，那麼我們得到的梯度下降算法将表現為以下形式：（我們未對ø0進行歸一化）
對于上面的算法，j=1,2,3,...,n 時，更新的表達式可以進行調整得到：
可以看出來，歸一化線性回歸的梯度下降算法與之前的變化在于，每次在原有算法更新規則的基礎之上都令ø的值減少了一個額外的值。
同樣的，如果利用正規方程(normal equation)來求解歸一化線性回歸模型，表達式如下：
表達式中，矩陣的大小為n+1*n+1
歸一化邏輯回歸模型(regularized logistic regression)
同樣的，對于邏輯回歸模型，我們也給代價函數增加一個歸一化的表達式，便得到了如下的表達式：
要得到這個代價函數的最小值，通過求導，得到的梯度下降算法表達式如下：
注：隻是看上去和線性回歸一樣，但是這裡面的假設函數
，是以與線性回歸是不同的。
以上，便是歸一化兩個回歸模型的内容了。至此，我們學習到的機器學習中回歸模型的相關内容基本都涉及到了。下面将會讨論機器學習中重要的一個算法——神經網絡(neural network)。