机器学习---线性回归（二）
第一个学习算法：线性回归
SRE实战 互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。
m=训练样本的数量
x=输入变量/特征
y=输出变量/预测的目标变量
（x，y）——一个训练样本
（x1，y1）——样本的第多少行
房价数据集——学习算法——输出一个函数h（假设函数：把房子大小作为输入变量x，试着输出房价即输出变量y）
有了一些自变量、因变量的数据，拿一个数学函数Model（模型）去拟合（适配）这些数据，以便之后能根据这个模型，在自变量（条件）给出后，预测因变量的值。
代价函数：
目标：寻找一个θ1, θ0 使得预测值接近训练集中的样本
方法：预测值与ground truth求差的平方，对于所有样本的该值进行求和，最后除以2m（1/2为简化计算），形成代价函数。最小化该代价函数，得到对应的θ0和θ1
平方误差——解决回归问题的最常用手段
公式：
公式代表的含义：对所有的训练样本进行求和，将第i号对应的预测结果【也就是hθ(x)】减去第i号房子的实际价格，所得的差的平方相加得到总和，在除以样本数，并求出最小值。
因此，我们最重要找出来的就是找到对应的θ0和θ1
知识回顾：
假设函数：
2个参数：
代价函数：
优化目标：
把我们的假设函数简化一下：假设θ_0=0，那么就只剩下θ_1一个参数，我们的优化目标就变成了尽量减少J（θ_1）的值
用图像表示就是：
当θ_1=0时，y=0，体现在左图上就是深蓝色的线条
当θ_1=1时，y=x，体现在左图上就是浅蓝色的线条
当θ_1=0.5时，y=0.5x，体现在左图上就是粉红色线条
将所有的θ_1对应的J（θ_1）值的点在右图上标记出来，并且连成一条线，这条线就是右图中红色的函数曲线，也是J代价函数的直观效果
另外我们还开设了一个机器学习群，加我微信备注【免费】带领大家每天共读吴恩来的机器学习！！！
更多精彩
