如何找到最优线性回归模型

1.定义成本函数（均方误差MSE）（代价函数）

预测值（线性回归模型公式f（x）=wx+b）和真实值差的平方，求和，所有样本求和，但是为了构建一个不会随着训练集大小变大而自动变大的成本函数，我们将计算平均平方误差而不是总平方误差，我们通过像这样除以m来实现。
gpt：成本函数通常表示为损失函数的总和或平均值。下图公式是损失函数

按照惯例，机器学习使用的成本函数实际上是除以2乘以m，这里的额外除以2是为了让我们后面的一些计算看起来更整洁，有无除以2，成本函数（mse均方误差值）仍然有效。

在机器学习中，不同的人会针对不同的应用程序使用不同的成本函数，但是平方误差成本函数是线性回归最常用的 函数

我们现在来探讨线性回归的目标：最小化参数wb，梯度下降法可以使代码自动找到最小参数，找出最完美拟合线

2.梯度下降原理（下山）

1.梯度