【吴恩达机器学习】02 - 单变量线性回归

预测一个城市的房价

给了一些房价散点图，预测你的一个朋友的房子卖多少钱

1）我们先设计一个假设函数（下图中第一个函数）
2）确认其中参数为两个，θ1和θ0（下图中第二个）
3）平方差 代价函数（下图中第三个）
4）目标函数 J() (下图中第四行)

例子：当我们只有一个变量θ1时，根据上述流程，我们知道

当θ1取不同的值时，J()函数的值变化（体现在右图中），最后目标函数的确定是根据代价函数最小的θ1确定各参数的值

那么我们现在有两个变量，到底怎么去接近目标函数

根据θ0和θ1取值的不同，我们得到这样的一个三维图像，那么高度这个坐标就是J（）函数的取值
一般我们会用等高线图进行展示
这样可以将代价函数J最小化的方法叫做梯度下降法

什么是梯度下降法

1、使用导数变小的定义，也就是某一个要确定的值得偏导数，进行确定下一步下降方向
2、一步步逼近局部最优解

下图左侧就是梯度下降法，右侧就是平方差代价函数，将梯度下降法用到平方差代价函数中，就是

最小化平方差代价函数

这叫做Batch 梯度下降