机器学习——梯度下降法一元线性回归实现（JavaScript实现）

原理

已知测得的点 xi = [x1, x2, x3 ...]，yi = [y1, y2, y3 ...]
利用梯度下降法，使得代价函数（即误差）取最小值，求得此时的参数值
举个例子，假设要拟合的函数为y = ax + b，代价函数为 J(a, b)，现在要使代价函数最小
不妨想，在登山的过程中，东西方向为 a， 南北方向为b，函数值y为山的高度。我们要下山，找到山的最低点的过程，就是梯度下降。现在理一理我们下山的步骤：

1. 先向东西方向看，下降最大的方向是哪边（这个步骤叫求 a 的偏导）
2. 再向南北方向看，下降最大的方向是哪边（这个步骤叫求 b 的偏导）
3. 向确定的方向跨 α 步 （这个 α 叫做步长）
4. 不断重复步骤123，确定四周已经足够平滑（设置 误差 ，表示已经到最低点了）
   

代码实现

// 一元线性回归
// _a, _b 	—— 需求的参数值
// xi, yi 	—— 样本数组
// _step 	—— 步长设置
//