吴恩达机器学习公开课学习笔记（一）章节23

公开课链接： https://study.163.com/course/courseLearn.htm?courseId=1004570029#/learn/video?lessonId=1049101127&courseId=1004570029

一些规范表达形式

训练集中样本数目:$m$
变量：$X$,自变量的第i个样本：$X^{(i)}$
目标：$Y$,目标的第i个样本：$Y^{(i)}$
映射函数：$h$,hypothesis,把$x\to y$,表达形式：$h_{\theta }(x)={\theta }_0+{\theta }_{1}x$(线性函数)
声明符号：$:=$

线性回归／单变量线性回归

映射函数：$h_{\theta }(x)={\theta }_0+{\theta }_{1}x$
${\theta }_0和{\theta }_1$为模型参数（parameters of model）
优化过程就是最小化函数：$$\underset{{\theta }_0,{\theta }_1}{\min }\frac{1}{2m}\sum _{i=1}^m|h_{\theta }(x^{(i)})-y^{(i)}{|}^2$$ 最小化误差平方和
系数$\frac{1}{2m}$是为了让数值不那么大
为了让这个概念更明晰，所以定义了代价函数（cost function）
代价函数$J({\theta }_0,{\theta }_1)$:$$J({\theta }_0,{\theta }_1)=\frac{1}{2m}\sum _{i=1}^m|h_{\theta }(x^{(i)})-y^{(i)}{|}^2$$
目标就是minimize cost function，代价函数也被称作平方误差函数（squared error function）

代价函数

Hypothesis:$h_{\theta }(x)={\theta }_0+{\theta }_{1}x$
Parameters: θ 0 和 θ 1 \theta_0和\theta_1