[Machine Learning] 2 单变量线性回归(Linear Regression with One Variable)

2 Linear Regression with One Variable(单变量线性回归)

2.1 Case: Housing Prices

使用数据集预测住房价格，数据集包含某市的不同房屋尺寸所售出的价格。

其中，ℎ 代表学习算法的解决方案或函数也称为假设（hypothesis）。

这就是一个监督学习算法的工作方式，在学习算法下，输入训练集里的房屋价格，然后输出一个函数，通常表示为小写 ℎ表示。ℎ 代表 hypothesis(假设)，ℎ表示一个函数，输入是房屋尺寸大小，因此 ℎ 根据输入的 𝑥值来得出 𝑦 值，𝑦 值对应房子的价格。因此，ℎ 是一个从𝑥到 𝑦 的函数映射。

那么，对于房价预测问题，该如何表达 ℎ？

一种可能的表达方式为：ℎ𝜃(𝑥) = 𝜃0 + 𝜃1𝑥，因为只含有一个特征/输入变量，因此这样的问题叫作单变量线性回归问题(Linear Regression with One Variable)。

2.2 Cost Function(代价函数)

在线性回归中有一个训练集，其预测的函数形式是：ℎ𝜃(𝑥) = 𝜃0 + 𝜃1𝑥。接下来要做的便是为模型选择合适的参数（parameters）𝜃0 和 𝜃1，在房价问题这个例子中便是直线的斜率和在𝑦 轴上的截距。

选择的参数决定了所得到的直线相对于我们的训练集的准确程度，模型所预测的值与训练集中实际值之间的差距（下图中蓝线所指）就是建模误差（modeling error）。</