机器学习-3 cost function 代价函数

1、代价函数简介

代价函数是用来衡量假设函数（hypothesis function）的准确性，具体衡量指标是采用平方差的方式计算。例如，假设函数是 hθ(xi) = θ0 + θ1yi，那么，代价函数就是：

其中，m是样本数量。同时，这个函数还可以称为"Squared error function" 或者 "Mean squared error”，同时，除以2的原因是为了方便之后的梯度下降，也利于导数项的减少。

下面这幅图片更加直观的表达代价函数的由来：

2、代价函数详述

2.1 单变量情况

为了更加直观的理解代价函数，我们还是以线性的训练集为例子。训练集落在x-y坐标集中，在这个回归问题中，我们想生成一个假设函数，这个假设函数生成一个直线，可以大致贯穿给定的训练集。

我们的目标就是获取一个尽可能完美的直线。最好的直线，就是使我们的预估值与样本值之间的方差最小。理想情况下，直线穿过所有的训练样本集，也就是说方差等于0，也就是 代价函数J(θ0,θ1)等于0。下面的例子，就是理想情况：

当 θ1=1 的时候，我们的模型贯穿所有的训练样本集的点，相比之下，当θ1=0.5的时候，模型的直线距离样本集的点的垂直距离会加大，如下图：

在不断调整θ1的值之后，我们发现，在代价函数的图中会生成一个曲线图：

为了使J(0,θ1) 最小，从图中，就可以看出，应该取θ1作为目标值。

2.2 双变量情况

在2.1 中具体阐述了单变量的代价函数的具体情况，这一小节具体阐述一下双变量的代价函数设计的相关概念。在双变量的代价函数中，使用等高线图描述代价函数的变化，每个等高线代表相同的J(θ0,θ1)值，但是对应的(θ0,θ1)不一定一样，如下图：

在比如：

当 θ0 = 360，θ1 = 0, J(θ0,θ1)的值距离圆心更近，同时，模型的直线更加拟合样本集。

继续调整(θ0,θ1)的值，更加靠近圆心，发现，模型的直线更加拟合样本集，如下图：

为了尽可能的降低J(θ0,θ1)的值，我们发现 θ1， θ0的值大概在（0.12，250）附近。由此可以看出，当在圆心的时候，应该是最佳的选值，以上就是cost function的一些概念。

欢迎大家关注：数据之下 微信公众号，系统性的分享机器学习、深度学习等方面的知识，不做碎片化学习的牺牲者，要做利用好碎片化时间的受益者。