【深度之眼】吴恩达《机器学习》作业——week1代价函数

代价函数

首先回顾一下我们之前提到的训练集，及线性回归假设：

其中 ${\theta }_0,{\theta }_1$ 是我们要选择的参数。

我们希望我们的模型，或者说我们拟合的曲线，能够接近训练集的真实状况，即我们的预测值和真实至之间的差距要越小越好。

也就是说要选择合适的 ${\theta }_0,{\theta }_1$，最小化 $h_{\theta }(x^{(i)}-y^{(i)}{)}^2$

这里使用的是平方损失，因为对于线性回归问题来说这是最常见的选择，更深层次的原因是因为i，广义线性模型使用的也是平方损失，而线性回归仅仅是广义线性模型的一个例子。