1.Linear Regression

线性回归属于监督学习：先给定一个训练集，根据这个训练集学习出一个线性函数，然后通过样本测试这个函数训练的好不好（即此函数是否足够拟合训练集数据），最后挑选出最好的函数（cost最小）。

在样本集中，假设样本是单线性回归的（自变量只有一个）。则我们给出变量线性回归的模型：

x是特征，h(x)是假设性函数。

代价函数：

m为训练样本的个数。

我们的目的，就是要通过不断调整：θ0，θ1，使得代价函数取向最小值。

θ0，θ1 要同时调整才能满足微分上的意义，否则，在θ0，θ1相关的代价函数在三维上，并不是在任意方向上实现梯度递减，而是在θ0，θ1两个坐标轴方将以此实现梯度递减。

可视化如图：

这里我们通过批量梯度下降（batch gradient descent）算法来对θ0，θ1进行更新：

在单特征的线性回归中，即有：

代价函数：

function J = computeCost(X, y, theta)

m = length(y); %训练样本个数
J = 0;

J = sum((X * theta - y).^2) / (2*m);     % X(79,2)  theta(2,1)


end

梯度递减函数：

function [theta, J_history] = gradientDescent(X, y, theta, alpha, num_iters)

m = length(y); % number of training examples
J_history = zeros(num_iters, 1);
theta_s=theta;

for iter = 1:num_iters

    theta(1) = theta(1) - alpha / m * sum(X * theta_s - y);       
    theta(2) = theta(2) - alpha / m * sum((X * theta_s - y) .* X(:,2));     
    theta_s=theta; % 用theta_s存储上次结果。

    J_history(iter) = computeCost(X, y, theta);

end
J_history
end