机器学习——单变量线性回归

之前写过一篇关于线性回归的博文，今天就单变量的线性回归做以归纳总结。

1. 模型表达（Model Representation）
   我们的第一个学习算法是线性回归算法，让我们通过一个例子来开始。这个例子用来预测住房价格，我们使用一个数据集，该数据集包含俄勒冈州波特兰市的住房价格。在这里，我要根据不同房屋尺寸所售出的价格，画出我的数据集：

我们来看这个数据集，如果你有一个朋友正想出售自己的房子，如果你朋友的房子是1250平方尺大小，你要告诉他们这房子能卖多少钱。 那么，你可以做的一件事就是构建一个模型，也许是条直线。从这个数据模型上来看，也许你可以告诉你的朋友，他大概能以220000美元左右的价格卖掉这个房子，显然这就是监督学习算法的一个例子。
我们了解到之所以这个例子被称作 Supervised Learning ，是因为对于每个数据来说，我们给出了“正确的答案”。而且，更具体来说，这是一个回归问题。回归一词指的是我们根据之前的数据预测出一个准确的输出值。对于这个例子就是价格。
同时，还有另一种最常见的 Supervised Learning 的方式叫做分类问题。更进一步来说，在 Supervised Learning 中我们有一个数据集，这个数据集被称训练集。因此对于房价的例子，我们有一个包含不同房屋价格的训练集，我们的任务就是从这个训练集中学习并预测房屋价格。

现在我们给出经常使用的一些符号定义，如下：