线性回归算法

size in feet²(x)	price（＄）in 1000‘s（y）
2104	460
1416	232
1534	315
852	178

m→训练样本的数目 （例如上述表格有四行就有4个样本数目，有多少行就有多少样本数目）
x‘s→输入变量或者目标变量
y’s→输出变量或者目标变量
（x,y)则表示一个训练样本

1概念：

线性回归就是分析特征和目标之间的关系。我的理解：是找到一个合适的函数，将变量和目标联系起来，并且这个关系呈线性变化。

标题1.1 线性回归的函数模型：

$h_{\theta }(x)={\theta }^{T}x$
这其实就是一个简单的过原点的线性函数。

2解决方法：

梯度下降。我的理解：引入梯度下降是为了对损失函数进行评价，它是测量这个线性回归是否合适的标准：如果损失函数越小，那么这个线性回归越能表现出变量和目标之间的关系。

2.1线性回归损失函数：

$j（\theta ）=\frac{1}{2m}{\sum }_{i=1}^m(h_{\theta }(x^i)-y^i{)}^2$

2.2梯度下降公式：

$\theta =\theta -\alpha \cdot \frac{dJ(\theta )}{d\theta }$

公式思想：α为学习度，它就像走路时的步幅大小：α过大会错过最小的损失函数，α太小会增加计算次数。所以寻找合适的α也很重要。

参考文献

线性回归笔记：https://blog.csdn.net/qq_14993591/article/details/100823034