【机器学习】线性回归的梯度下降法

摘要：这是我学习斯坦福大学《机器学习》课程的第一个算法。该算法属于回归模型中最简单的模型——线性回归，使用梯度下降法达到最优拟合。

课程中对机器学习的定义是：Field of study that gives computers the ability to learn without being explicitly programmed.字面意思为不通过显式编程赋予计算机学习的能力。课程开始阐明了监督学习(supervise learning)包含两种问题：回归(regression)和分类(classification)。两种问题都是输入X到输出Y的映射。关于“监督”的含义，简单地说，就是输入和输出数据都已经给出。这类问题的任务是，我们需要从这些输入输出数据中提取一个模式，使得我们有一个新的输入x0时，可以从这个模式中预测输出y0.

一、问题引入

课程使用房屋价格和房屋面积的关系的例子作为引入。

房价2万左右吧，类似广州的房价（这个数据只是我自己编的）。根据数据表我们可以作出散点图如下：

假如我们看中的房子，面积不在这个列表中，如何估计这间房子的价格呢？我们可以作一个平滑曲线尽可能去拟合所有散点。本例阐明线性回归，于是可用一条直线去拟合：

当我们有新的输入x0时，便有预测输出y0。这是高