机器学习--假设函数损失函数代价函数

在学习线性回归中，我们在初中学习的时候，一般设x,y二个离散的数据，用二维坐标系画出来的点如图：

我们先可以回忆一下什么叫回归：
回归：
1 把一系列的散点的数据用一条线段尽可能的拟合出来（二维是线段 三维是平面 高维那就是超平面）
2 这条曲线不仅仅可以拟合，在未来趋势上也会对未来数值x，进行预测y
如图为线性拟合的后的曲线:

那么假设函数是什么呢？
我们由上图可以得到 :

y = a*x + b

在假设函数中，我们知道的值为x和b，而a,b是未知的，所以我们会用 以下公式来代表我们预先假设出来的函数。

h(θ)x = θ^T*x  且xo = 1

虽然二者的公式看着不像，是我们为了方便，将B这个用θo来代替，然后令xo = 1，这样函数就可以结合。至于这里的函数为什么是转置，因为一般的向量我们默认为列向量。
现在假设函数出来，我们需要知道我们这些点和我自己本身的值的误差有多大，就引出了损失函数，它的目的是查看我的数据的点与曲线的差的平方（平方是为了二者相减有正有负）

J(θ)x = (h(θ)x - y)^2  

现在我们只是知道一个误差，如果我们想要所有样本的误差与真实值之间误差的平均值（也就是每一个点与曲线大概平均差了多少）

J(θ)x = (h(θ)x^(i) - y^(i))^2