梯度下降法

1. 有点忘了梯度下降法：先相关定义（注意其中：因为梯度是cosA 去+1的值，所以，所对应的元素值，就是对应的最大的，这个就可以解释，为什么后面要去梯度的反方向）

2. 看wiki的定义，F(x)已知a,梯度得到b，然后F(b)得到最低值，而联想在线性回归用的梯度下降法里面，不想传统的矩阵求解的方法，来进行对应的公式化，把x,y构造成矩阵，形成我们的求解中心，而在梯度下降法中，把theta当成我们的求解探求中心，建立对应的参数模型，costFunction，作为它的评价体系，然后，在这个的基础上，求梯度，迭代对应的theta，这样就可以求解了，而矩阵解法，就是对应的线性空间，不能很好的fit情况下，利用a transpose矩阵，进行对应的扩展值，形成最后的解，这样可以更好地有利于对应的分析。