# <a class="pcalibre pcalibre1" id="_Toc446405748">第2</a>周 ### <a class="pcalibre pcalibre1" id="_Toc446405750">4.1 </a>多维特征 参考视频: 4 - 1 - Multiple Features (8 min).mkv 目前为止，我们探讨了单变量/特征的回归模型，现在我们对房价模型增加更多的特征，例如房间数楼层等，构成一个含有多个变量的模型，模型中的特征为（x1,x2,...,xn）。  增添更多特征后，我们引入一系列新的注释： n 代表特征的数量 x(i)代表第 i 个训练实例，是特征矩阵中的第i行，是一个向量（vector）。 比方说，上图的， 代表特征矩阵中第 i 行的第 j 个特征，也就是第 i 个训练实例的第 j 个特征。 如上图的， 支持多变量的假设 h 表示为： 这个公式中有n+1个参数和n个变量，为了使得公式能够简化一些，引入x0=1，则公式转化为： 此时模型中的参数是一个n+1维的向量，任何一个训练实例也都是n+1维的向量，特征矩阵X的维度是 m\*(n+1)。因此公式可以简化为：，其中上标T代表矩阵转置。