机器学习---普通线性回归模型（3）

线性回归一般分为单变量线性回归和多变量线性回归。

线性回归的预测效果很高

一、单变量线性回归

对于单变量线性回归,我们要做的就是怎么样通过学习得到一个假设函数(h)，从而能给出房子的估值？？

①、假设函数的一般形式：

②、参数
③、代价函数：拟合参数的标准，这边为均方误差

④、求解代价函数为最小值时的参数

而解决最小化问题时，我们引入了 梯度下降算法。

梯度的本意是一个向量（矢量），表示某一函数在该点处的方向导数沿着该方向取得最大值，即函数在该点处沿着该方向（此梯度的方向）变化最快，变化率最大（为该梯度的模）。

$\bullet$ 梯度算法的思想：
开始时我们随机选择一个参数的组合（ø0,ø1,…,øn），计算代价函数，然后我们寻找下一个能让代价函数值下降最多的参数组合。持续这样做直到找到一个局部最小值(Local Minimum)，因为我们并没有尝试完所有的参数组合，所以并不能确定我们得到的局部最小值是不是全局最小值(Global Minimum)，选择不同的初始参数组合，可能会找到不同的局部最小值。

∙ \bullet