2.2 代价函数

2.2 代价函数(Cost Function)

为了找到最能拟合下面数据的直线：

其中 m = 47，代表了样本的数量。${\theta }_0$ 和 ${\theta }_1$ 表示直线（模型）的参数(parameters)。

这个参数决定了直线相对训练集的准确程度，它们之间的差距（下图蓝线）也就是建模误差(modeling error)。

当建模误差的平方和最小时，也就是直线与训练集数据最拟合的时候，此时直线对应的参数就是最佳的。

**代价函数(Cost Function)**就是关于 ${\theta }_0$ 和 ${\theta }_1$ 函数：
$$J({\theta }_0,{\theta }_1)=\frac{1}{2m}\sum _{i=1}^m(h_{\theta }(x^i)-y^i{)}^2$$

我们绘制了一个图来表示这个函数，三个坐标轴分别为 ${\theta }_0$、${\theta }_1$、$J({\theta }_0,{\theta }_1)$：

在这个三维空间中，存在着一个最小的点。

当取不同的点时，对应的直线也不同。

我们用等高线图来表示这个三维图：

代价函数也被称为平方误差函数。对于解决回归问题，是最常用的手段了。

我们用这些图形，是为了更好理解代价函数 J 所表达值是怎么样的。

但是显然，我们并不想每次都画出来。如果更高维度、更多参数我们就很难画出来了。

下一篇中，我们将介绍一种算法，能够自动找出使得 $J({\theta }_0,{\theta }_1)$ 最小，${\theta }_0$ 和 ${\theta }_1$ 的值。

---

写于 2018.12.2