1、无监督学习：根据数据分布类型，自我识别区分数据群集，未告知特征或标签。

2、线性回归模型：使用线性单变量函数描述数据分布，数据分布于函数数据之间的距离之和看作为损失函数，损失函数最小，目标函数越接近真是变换效果。

3、单变量线性函数，计算最小损失函数时，可以使用等高线便于理解。

4、梯度下降法，优化目标函数，沿着下降的方向寻找最小值，可能会寻找到局部最小值。

5、多元线性回归问题，特征缩放，针对变量进行梯度下降优化时，需要对变量进行均值归一化处理，使损失函数等高线均匀。

6、梯度下降时，学习因子的选择也需要注意，过高或者过低都会导致迭代数据图像异常，可以按照量级进行测试，相同量级内使用3倍变大。

7、多项式回归时，可以将高次方整体看作一个变量，从而继续使用线性回归。

8、样本数量小于10000时，可以使用正规方程来求解，各个变量的偏导为0时，系数的值。

9、数据向量化操作可以代码操作步骤。

更多文章请关注《万象专栏》