机器学习总结

（1）x^（2） 表示训练集中x的第二个训练数据，y⁽²⁾ 表示训练集中的y的第二个训练数据

（2）需要注意的是对于一个模型构建出来的函数F，那么我们如何找出该模型的可以更好拟合训练数据的模型参数呢，我们通过使用代价函数（cost function），通过计算不同的参数得到的预测值y和最终结果y之间的误差大小来最终确定应该如何选择最佳的参数。

（3）梯度下降算法被用来寻找使得代价函数J的最小值，从而确定其此时对应的各个坐标轴的值。

（4）对于梯度下降算法，使用的不断的更新当前的各个参数的方法，也就是使用当前的参数减去一个适当学习率α*对于该参数的偏导，

这样有利于确定当以各个参数为自变量时的局部最小值，当我们设置的初始位置在上升的曲线位置时，此时，对于该参数的偏导数为正数，又因为α的取值范围在0~1（为正数），所以，此时属于w或者b减去α*一个正数，因而结果肯定是使得w或者b的值减少的；反之亦然，当我们设置的初始值在下降的曲线位置时，此时，对于相应参数的偏导数为负数