2.1 模型表示(Model Representation)

二、模型和代价函数(Model and Cost Function)

2.1 模型表示(Model Representation)

在监督学习的文章中，我们举了一个预测房价的栗子?。

现在我们要来构建一个数据模型，在这个模型中，我们告诉它房子的面积，它将预测房子的价格?。

首先，我们提前有一个数据集，这个数据集也被称为训练集(Training Set)。

我们在图上表示出这些点，用一条直线去拟合这些点。

当然，它有可能不应该是一条直线，这里我们简化了。

把这条直线用方程表示就是：

为了描述这个回归问题，这个课程中，对于字母的含义做了下面的规范。

= 训练集样本的数目

= 特征

= 输出变量

= 训练集中的实例

= 第 i 个实例

= 代表算法的解决方案或函数，也称假设(hypothesis) 。

这个监督学习算法的工作流程可以表示成下图：

因为只含了一个特征，房子的面积，所以这个问题也被叫做**单变量线性回归(Linear Regression with One Variable)**问题。

不过，你可能也看出来了，这直线不是随便画的，冥冥之中存在着一条直线能完美拟合这些数据。

下一篇，我们引入代价函数(Cost Function)，他能帮我们找到最佳的那一条直线。

---

写于 2018.12.1

转载于:https://juejin.im/post/5c02a5b5f265da613a53c365