奶奶也能看懂的机器学习（一）——代价函数（cost function）

什么是代价函数

在机器学习中，我们往往希望从已获得的离散数据中拟合出一个尽可能准确的函数（或者说是曲线）
举个例子：已知获得了一个（x，y）数据集,并根据这个数据集在坐标中画出点

我们可以自己定义一个函数h(x)=θ_0+θ_1* x，分别来拟合这个数据.现在分别定义了三个函数，其表现形式分别是图中的这三条线，

那如何确定哪个函数拟合比较准确，有什么判定标准吗？这里我们常用的方法是用把每个y在垂直方向的偏差的平方求和，表示为：
其中我们规定：J 称作代价函数（cost function）
m=样本总数 ，
x = 输入的变量，
y = 数据集中输入为x时对应的输出，
显然，通过这个公式，我们可以计算出三个函数a,b,c各自所对应的J，只需要比对一下各自J值的大小，其中的最小值所对应的函数即为这三个函数