机器学习基础 -[第一章：单变量线性回归]（1）模型表示

在学习有监督机器学习模型之前，我们需要使用一些约定的符号来对模型进行表示，这些符号主要如下：

• 输入变量（或输入特征）：$x^{(i)}$

• 输出变量（或目标变量）：$y^{(i)}$

• 特征变量（也叫属性或特征）：$[x_1^{(i)},x_2^{(i)},...,x_j^{(i)},...,x_n^{(i)}]$，其中$x_j^{(i)}$称为第j个特征变量

• 第i条训练样本：$(x^{(i)},y^{(i)})$

• 训练集(m条样本的集合)：$(x^{(i)},y^{(i)})(i=1,2,...,m)$

• 输入、输出值的空间：$X,Y=R$，$X,Y$都是n维实数空间

• 假设函数：$h_{\theta }(x)$，例如$h_{\theta }(x)={\theta }_0+{\theta }_{1}x$
  有监督学习的目标是，给定一个训练集，学习一个函数：$h:x\to y$，使得$h_{\theta }(x)$能很好的预测相应的y值，其过程如下所示：
  

• 当目标变量为离散型（标称型）数据时，我们称这样的学习问题为分类问题；

• 当目标变量为连续型（数值型）数据时，这样的问题惩治为回归问题，比如根据房子的尺寸预测房子的的价格