吴恩达机器学习个人笔记(一)-线性回归

1单变量线性回归(Linear Regression with One Variable)

1.1 假设方程(Hypothesis)

       线性回归属于监督学习，大致是根据给定的数据集训练出一个线性模型，构造成功后，输入一个新的数据后，会输出一个确却的值。比如预测一个地区的房价，给定一个数据集包含房子的大小和房价，当需要预测一个房子的价格时，模型就会预测出一个确却的值。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监督学习方式，叫做分类问题，当我们想要预测离散的输出值，例如，我们正在寻找癌症肿瘤，并想要确定肿瘤是良性的还是恶性的，这就是 0/1 离散输出的问题。线性回归的假设方程为

                                                               

 和  都是具体的值，后面一系列工作就是求出  和  这两个合适的值

1.2 代价函数(Cost Function）

      代价函数也被称作平方误差函数，有时也被称为平方误差代价函数。我们之所以要求出误差的平方和，是因为误差平方代价函数，对于大多数问题，特别是回归问题，都是一个合理的选择。代价函数依个人理解为一个标准，即评判我们选择的具体的线性方程的误差大小。由于上述假设方程我们所未知的是  和  ，因此要选择合适的 和 使得代价函数最小，定义如下 

                                                     

既然目的为寻找合适的 和 使得代价函数最小，那么就要有一种算法来选择