代价函数
寻找代价函数即寻找合适的θ0和θ1👇。
取值不同的θ0和θ1👇
选择θ0和θ1的思想:所选的θ0和θ1使假设函数h取x时的取值h(x)与训练集中x所对应的y的差值尽量小。
即:
m指的是训练集的样本容量。
J(θ0,θ1) = 1/2m (m)Σ(i=1) (hθ(x(i))-y(i))2,目标是使函数J(θ0,θ1)尽可能的小。
这种代价函数也被成为平方误差函数,或平方误差代价函数。求出平方误差函数的原因是,对于大多数问题,尤其是回归问题,平方误差函数都是一个合理的选择,是解决回归问题最常用的手段。
使用代价函数的例子
👇计算J(θ1)函数(此处将θ0取0,故J(θ0,θ1) = θ0+θ1·x <=> J(θ1) = θ1·x )。
计算J(θ1)的方法:取θ1为任意值,计算该取值下J(θ1)的值并将(θ1,J(θ1))画在图上,直到所绘点足够多,可以绘成一条曲线。每一个θ1都对应着一个假设函数。
👆当θ1 = 1时,代价函数的取值最小,正是学习算法的优化目标,故θ1 = 1时所得的函数即我们想要的假设函数。
代价函数的作用
👆当只有一个参数θ1时,对应的J函数是一个类似于二次函数的函数(平面碗装),而当加入θ0这个参数时,J(θ0,θ1)函数变成了一个立体的碗装函数。👇
👆使用3D图像表示J函数。
👇使用等高线表示J函数。
👆每一个椭圆线表示一系列使J(θ0,θ1)值相等的点。