平方和误差函数--代价函数（机器学习）

线性回归有一个训练集，我们选择了线性回归，那么要如何选择合适的参量使得我们的预测更为准确呢？？

引入

选择的依据

我们知道了现有的数据是准确的，那么预测就要以现有的数据为根基，尽量的贴合现有的数据，使得差距最小，怎么衡量这个差距呢？？？我们把$$\sum _{i=1}^{i=m}(h(x^i)-y^i{)}^2$$

$h(x^i)$代表预测的第i个值，$y^i$代表实际的第i个值。
这个函数称为平方和误差函数，我们要想办法求得这个函数最小的${\theta }_0$和${\theta }_1$

平均平方和误差

为了方便，我们又给出了平均平方和误差的概念
我们把$$\frac{1}{2m}\sum _{i=1}^{i=m}(h(x^i)-y^i{)}^2$$称之为平均平方和误差，之所以是$\frac{1}{2m}$,是因为带了平方，后面要用梯度下降法，要求导，这样求导多出的乘2就和二分之一抵消了，一个简化后面计算的技巧

代价函数的定义

我们把$$J({\theta }_0,{\theta }_1)=\frac{1}{2m}\sum _{i=1}^{i=m}(h(x^i)-y^i{)}^2$$称之为代价函数，我们求得就是使这个值最小的${\theta }_0$和${\theta }_1$。

相关概念

• 线性回归
  https://blog.csdn.net/xd15010130025/article/details/88703519