本文介绍了机器学习中的线性回归模型，通过简化为一元线性方程来阐述。讨论了如何确定线性模型的斜率和纵截距，提出了代价函数的概念，即平方误差函数，用于衡量预测值与实际值的偏差。通过最小化代价函数，找到最佳拟合线。1/2的系数用于梯度求导时消除2的影响，使得求解过程更简洁。文章适合初学者理解监督学习中的模型训练过程。
机器学习——模型描述
（本篇文章能让你看到监督学习的过程是怎样的）
先上数据集:了解即可
我们的重点就是得到函数h的过程：
一开始我们将进行一元函数（线性方程），因为简单。（我具体详细更新日期看情况吧，会一点点慢慢讲的，不急，哈哈）。
机器学习——代价函数
我们暂且认为某个训练集得到的是线性函数：
那么，怎么确定两个未知数，（为了方便理解，我叫它斜率和纵截距，方便，懂？）
预测值与实际值的平方的和越小，代表拟合越好，公式中的m代表样本容量，
观察可知，实际用的公式除以了2m，因为用平均值的概念能更好的表示拟合度，那么1/2的作用是什么呢？答案是为了梯度求导消除2。
所以，现在我们已经成功的把问题转化为了求目标函数的最小值。没错，这个公式就是代价函数。
代价函数也叫平方误差函数，有时也被称作平方误差代价函数。代价函数还有很多，但是这个是线性回归问题最常用的了
扫一扫
7834
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
