机器学习第二周笔记

---

1.1单变量回归问题和模型表示

根据之前的数据预测出一个准确的输出值。比如更具已有的房价数据，预测出1250(平方英尺)的防止对应的房价是220K左右。‘

• 上图既是一个监督学习算法的方式：h表示一个函数，输入值是房屋尺寸大小。h通过输入的x值来得出y值。y则对应房子价格。（h即为一个从x到y的映射）

• 因为只含有一个特征/输入变量，则可能的表达式为：
  
  这种问题也叫做单变量线性回归问题。

---

1.2代价函数

在建模时参数选择的目标：选择出使 建模误差的平方和 最小的模型参数。等价于求出使代价函数最小的时候的参数值。

• 建模误差：模型预测值和训练集中实际值之间的差距。

• 代价函数（平方误差函数/平方误差代价函数）：
  求出代价函数的最小值，则对应最小的θ0，θ1即为表达式的两个参数，这时候模型误差最小。

---

1.3梯度下降

用于求函数最小值的算法。可用于求代价函数的最小值。

• 梯度下降的图示：
  方法描述：假设站在山的最高点，环顾四周，用小碎步下山