机器学习----回归模型

今天是机器学习的第一小节学习（吴恩达）。

问题提出：

现在我们有一些真实的数据集$（x，y）$，$x$表示房屋的大小，$y$表示房屋出售的价格。
然后我们有一个房子要出售，已知房屋大小是$x$_$n$，希望能够知道能卖多少钱$y$_$n$。

---

我们会建立数据集中的x和y之间的一元线性关系（假设函数） ：$\mathbf{y}=\mathbf{a}\mathbf{x}+\mathbf{b}$ 。希望找到 $a和b$，使假设函数和数据集上的点更好的拟合。
也就是说：
$y(预测)-y(真实)$ 要尽可能的小，这样才能更好的拟合。
其中： $y=a\ast x+b$ : 被称为假设函数。

$y$(预测) 表示：在数据集中找到一个$x$后，利用 $\mathbf{y}=\mathbf{a}\mathbf{x}+\mathbf{b}$得到的值。
$y$(真实) 表示：在数据集中 和 $x$相对应的$y$值。

所以，我们要研究的问题其实是一个最小化问题。

---

为了能使 y（预测）-y（真实）尽可能小 ， 有
代价函数 = $\frac{1}{2\ast m}$${\sum }_{i=0}^m${[$\mathbf{y}$_$\mathbf{i}$(预测) - $\mathbf{y}$_$\mathbf{i}$(真实)]^$2$}

就是令代价函数最小。

1. m表示 数据集中数据（x，y）的数量。
2. $y$_i(预测) = $a\ast x+b$

---

现在，我们的问题就变成了 寻找 $a和b$，使代价函数的值最小。（这个代价函数也叫误差平方函数或者误差平方代价函数 ）。
误差平方代价函数是我们常使用的一种代价函数。

当我们找到了是代价函数最小的 $\mathbf{a}和\mathbf{b}$ 之后，就找到了
假设函数 $\mathbf{y}=\mathbf{a}\ast \mathbf{x}+\mathbf{b}$，就可以利用假设函数来预测房价了。