5秒导读，本文将讲述偏导数，梯度，方向导数，与线性回归权重向量θ的求法
大家好，我是玩ai时长两年半的个人程序猿ASRay，喜欢读，写，编程，数学....板砖！
要理解什么是偏导数，就必须先明白“鸡你太美”的奥义，这可不是瞎扯！因为偏导数指的是多元函数对某个自变量如y或x的导数，而鸡的眼睛长在侧边，当鸡看一个立体的函数，它只能看见一个面，所以鸡眼多元函数的导数正是偏导数！
不过在开始偏导数前我们先回顾一下线性回归的内容
线性回归，总结下来其实非常简单，为了根据工作年限等预测工资，我们把收集到的真实数据画在坐标中，然后用一条直线去拟合所有点，只要直线到点的平均距离足够近，那么我们的直线就能通过已知数据预测未知
图中，黑点为真实数据，红点为预测数据，直线方程为y=kx+b。
而到了空间中，“直线”方程则变为向量点乘：
为了找到适合的θ值，我们通过距离公式写下代价函数（图中蓝线的平均距离）
只要求出使该函数取得最小值的θ，那么我的线性回归则大功告成！（如果不太理解请回看第3期）
总结到此为止，让我们开始偏导的内容，music! 鸡你太美！鸡你实在是太美！别取关，我们认错！
之前我们习惯的的函数，都是单变量函数，比如y=2x, y=sinx等，但是其实函数可以有不止一个变量，比如裤裆函数（这名字我取的，至于为啥看图）：
之前我们说过，函数的导数表示函数切线的斜率也即函数变化的快慢，那么什么是偏导数？——偏的导数，也就是某个方向的导数！考虑f(x,y)，由于决定函数值的自变量不止一个，所以函数值的变化，会从不同方向进行，考虑一下爬山，假设你站在山顶准备下山，是不是每个方向的陡峭程度都不相同？
OK，让我们从简单的开始，比如x轴方向的斜率，如果我们把任意固定y=b带入函数，那么函数的变量自然就少了一个（可以看作对着函数图像切一刀），这时候x轴方向的斜率只需要当作单元函数处理就行。
如果用极限定义导数，那么f(x,y)对x的偏导为：
而用“套路”求导时，求对x的偏导，只需要把y看作常数就行，至于对y的偏导,只需要把x当常数就行！看见了吧，眼睛长在侧面，自有他的好处，鸡不但美，还能自动做偏导！
特别的，我们把
由f(x,y)对x和对y的偏导组成的向量叫做——函数的梯度，梯度也可以写作：
（备注下i为（1，0），j为（0,1）记不清的可以回看第二期复习下向量）
让我们回到爬山的问题，x和y只是无数个方向中的2个，那么我们想要任意的方向应该怎么办？
回答很简单，用函数的梯度点乘xy平面上的单位向量u
这个等式展开为
这玩意，就叫做函数的方向导数！
特别的，函数沿着梯度方向，函数上升的最快，方向导数大小为梯度的绝对值，而沿着与梯度相反的方向，函数下降的最快，方向导数大小为负的梯度的绝对值。
为什么？让我们看看方向导数
因为u为单位向量，所以大小恒为1，而cos最大值只能取到1！
偏导数的内容到此为止，让我们进入AI主题线性回归！现在我们的目标是要取到代价函数的最小值。想象一下，代价函数的图像是一个大山谷，你站在一点上，准备下到谷底，你先选择一个最陡峭的坡，向下走一段，再最陡峭的坡，向下走一段.......直到你再也找不到陡峭的坡，于是乎，就算你没到谷底，也已经不远了！
这个最陡峭的坡是什么，没错就是我们的梯度！
现在让我们从一个点开始下坡，用下式不断更新θ，就是从上图中的一个点跑到另一个点！直到梯度大小很小！
至于你问偏导数算出来是什么，见下图
当然计算这玩意，那可不是人干的事，还是交给计算机好了！毕竟计算机也是鸡啊！鸡你太美！
如果本期内容让您感到不适，请见谅，我们保证下次不会出现类似情况！
关注我们，获取更多有关 AI与大数据的信息。ASRay明日丽科技——科技助力企业发展，携手共创更美明天！