Machine Learning 2-4代价函数

与前面一个视频中将两个参数简化成一个不同，本视频将两个参数θ0，θ1都保留。那代价函数的取值就和这两个参数有关了，也就是说代价函数变成了一个三维立体空间的面。

上面这个图就是一个碗状的一个面。注意了，此图中每一对对应一个假设模型的具体函数。而能让代价函数取值在碗底的才是我们要找的东西，就是这一对让我们的假设函数有了具体的样子，能最好的反应我们测试数据中自变量和因变量之间的关系。

让三维的图简单一点，我们把它映射到一个面上，就变成了等高线图（下图右半边），下图右边的每个圈圈都是对应一组参数的，而每一组参数有对应一个假设函数的具体形式，也就是下图左边的一条直线。对于等高线上每一个椭圆都具有相同的代价函数的值。

我们看出来，这里两个参数确定的误差函数图像它很像是一个盆地，就像买房子我们希望买在房价最低的点上，那我们也希望找到能让代价函数取值最小的那一对 。想想，如果我们用一盆水泼到这个代价函数的面上，最后这些水都会流到那个地势最低的地方去。