一、示例 —— 预测住房价格
如上图所示，图中的数据集（X）表示房屋大小和价格存在的一个关系图。如果有一个人有一套1250平方尺的房子，那他卖多少钱合适？
二、分析
或许我们每个人心中都有这样一种想法，构造一个函数，房子的尺寸是x，房子的售价是y，则x和y之间会存在一个函数关系式：y=f(x)。当我们把对应的房子的尺寸放进去之后，就能得到对应的房价。
这也是下面这张图，我们用一条曲线线来拟合这些离散的数据点。，在曲线上找房屋尺寸为1250的点，则对应的纵坐标就是该尺寸的价格。
我们把这些数据记录下来，并用字母表示：
根据上面这些数据，我们可以得到如下的图：其中的
表示的是通过直线拟合构造形成的函数，（为什么要用直线拟合？因为在尽量保证相似的前提下，直线是最简单的，通过最简单入门）。这种用直线拟合的方式就是线性回归。
三、线性回归
如果想对线性回归有更深的了解，可以先查看百度百科“线性回归”。
四、代价函数引入
对于函数，不同的参数，就会有不同的函数表达式，下面列举的是几类简单情况。
那么对于下面左边的这组数据集来说，θ0和θ1应该取何值时，才能和数据集上的数据尽可能的接近，拟合效果更好呢？假设右面的图是拟合效果最好的，我们要做的就是把这个图对应的参数θ0和θ1找出。
当然，我们不能凭空想象，我们根据人的视觉画一条直线出来，说，他就是最短的，这个很明显是不对的。为了达到真正的接近，我们需要做的就是，用数学的方式，去解决它，通过数学的理性推理，得到的结果，就是我们想要的。而不是我们自认为，随意画的直线。
当然在此之前，我们能发现的是，图像上的所有点不是在同一条直线上的，所以接近程度再高，误差也存在（当然，如果学习一下数值分析，你会知道，不管什么，总是会存在误差，现实世界中基本不可能做到没有误差）。我们需要一个函数来表示我们预测的值和实际的值的误差，从而方便我们计算，误差是否在我们可控范围内，是否会对我们的后续工作造成不好的影响。这个函数就是代价函数（cost function）。
五、代价函数
1.概念
概况来讲，任何能够衡量模型预测出来的值h(θ)与真实值y之间的差异的函数都可以叫做代价函数C(θ)，如果有多个样本，则可以将所有代价函数的取值求均值，记做J(θ)。
2.性质
（1）对于每种算法来说，代价函数不是唯一的；
（2）代价函数是参数θ的函数；
（3）总的代价函数J(θ)可以用来评价模型的好坏，代价函数越小说明模型和参数越符合训练样本(x, y)；
（4）J(θ)是一个标量；
3.最优参数θ
当我们确定了模型h，后面做的所有事情就是训练模型的参数θ。由于代价函数是用来衡量模型好坏的，我们的目标当然是得到最好的模型（也就是最符合训练样本(x, y)的模型）。因此训练参数的过程就是不断改变θ，从而得到更小的J(θ)的过程。理想情况下，当我们取到代价函数J的最小值时，就得到了最优的参数θ，记为：
。
4.第一个代价函数——均方误差
（1）概念
在线性回归中，最常用的是均方误差(Mean squared error)，具体形式为：
m：训练样本的个数；
hθ(x)：用参数θ和x预测出来的y值；
y：原训练样本中的y值，也就是标准答案
上角标(i)：第i个样本
（2）应用
对于上面那个案例，我们希望能得到最优的拟合函数，即误差最小。所以我们可以得到下面的公式：
或者为了更方便理解，写成如下形式：
为了便于理解，我们简化一下图形，并假定θ0 = 0。下面这六幅图分别是：简化数据集分布图，θ1 = 1，θ1 = 0.5，
θ1 = 0，均方误差分布图，均方误差趋势。
如果是在不简化的情况下，就需要构建的是三维坐标了。例如在最开始的数据集中，我们可以构建出如右图一样的图形，并找到最小值。
是一样的。比如三个粉色的点（X），他们的
得值是一样的。而右图中红色的X和左图中的蓝色直线相对应。很明显能知道，这个时候的误差时很大的。也就是说这个拟合结果不是一个很理想的拟合结果。
下图是另外一个拟合直线红色的X依然是左图中蓝色的直线。这个时候的拟合效果就要比上一个好很多了。那什么是最好的呢，在右图中，当红色的X在椭圆中心的时候，拟合效果最好。所以再下面的一幅图的拟合效果相对于前面两个来说就比较不错了。
那，为什么在椭圆的中心会是最小误差，拟合效果最好呢？想让最小，就是让
尽可能的趋于0。一种理解方式是，误差大，可能误差的情况就会多，但是误差小的情况就会少，所以对应的θ0和θ1的值就会少，最少的时候，就是最优解，而最少就是在椭圆的中心。
扫一扫
346
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
