【吴恩达机器学习笔记】第1周 - 线性回归与代价/成本函数

机器学习的模式

用训练集的数据，匹配一种算法，生成一个函数（h），这个函数可以输入x，产出y

所以机器学习的关键在于：

1、选择正确的算法，选择算法之后，函数h的形态就确定了，但是参数未知

2、确定函数h的参数值：

      监督学习：通过训练集的x和y，共同确定参数值

      无监督学习：通过训练集的x，确定参数值（还没搞懂）

最简单的算法：一元 线性回归(Linear Regression）

相同的算法，不同的参数值：

代价/成本函数（Cost Function）

由于实际数据几乎不可能百分之百拟合某个函数，也就是说，实际中 θ0 和 θ1 （参数们）不太可能只有唯一取值，只能从中找到最优解，也就是使函数 h(x) 的取值和实际 y 的取值差异最小的参数。

即当：

取值最小时，θ0 和 θ1的值。

线性方程 的成本函数是：

（这里为啥是除以2m，而不是m呢？虽然课程给了一个解释：为了方便计算梯度下降

The mean is halved (1/2) as a convenience for the computation of the gradient descent, as the derivative term of the square function will cancel out the (1/2)​ term.

但我还是没懂。不过这并不影响结果就是了。）