问题描述：
一直7个样本点（x，y）；散点图如下；现采用函数拟合已找到一个函数f(x);使其跟好的估计真实的x和y的函数关系。
从直观分析可以得出，因变量x和果变量y不成线性关系，故采用非线性函数来h(x)来拟合；有图像观察和经验，现在用最高次为5次（4次或者其他次幂也可以）的多项式作为拟合函数h(x)的结构框架。
非线性回归的线性化：
由上述拟合函数可以看出，我们有x0，x1，x2……x5 （x2代表x的2次方，由于格式的关系，没有显示上标，下同） 共计6个特征量；所以可以根据原始样本数据x，通过x的平方，立方……运算，计算出x0，x1，x2……x5各项的值，又由于拟合函数h(x)的各项系数theta（θ的引文字母表示）为常数，所以最后问题转化为多元线性回归问题。
即：已知样本点（x1，x2，x3 ，x4 ，x5，y），求拟合函数h(x)的系数theta
正则项（Regulation）：
由参数theta的平方和 与 权重项参数lambda组成
因为在机器学习的一些模型中，如果模型的参数太多，而训练样本又太少的话，这样训练出来的模型很容易产生过拟合现象。因此在模型的损失函数中，需要对模型的参数进行“惩罚”，这样的话这些参数就不会太大，而越小的参数说明模型越简单，越简单的模型则越不容易产生过拟合现象。添加正则项后，应用梯度下降算法迭代优化计算时，如果参数theta比较大，则此时的正则项数值也比较大，那么在下一次更新参数时，参数削减的也比较大。可以使拟合结果看起来更平滑，不至于过拟合。
试验计算：
normalequation（标准公式法）和梯度下降法
http://www.cnblogs.com/tornadomeet/archive/2013/03/17/2964515.html
详细讲解:
不同lambda的参数theta值
从不同的lambda值可以看出，lambda值越大，参数theta值越小，因为lambda值越大，正则项越大，惩罚的程度也越大；
当lambda=0时，即无正则项的线性回归. 由于此时的优化目标是寻找最小平方误差，所以曲线对于数据样本点的拟合很好，但是这有时不能够展现更一般的趋势，这就是所说的过度拟合。
当lambda=1时 ，尽管拟合函数是五次的多项式，由于正则项的存在，不容易产生过拟合现象，且有对原始数据有一定的模拟
当lambda=10时，由于正则项系数过大，低度拟合的发生，曲线没有更随原样本点的趋势走。
