章节2
课时6 模型描述
学习种类：1.监督学习 又分为回归问题（连续型）和分类问题（离散型）
2.无监督学习
课时7 代价函数
公式源地址
单变量线性回归函数 hθ(x) = θ0 + θ1x
为了使线性回归函数对数据有较好的预测性，即y(i)到hθ(x(i)) 的距离都很小。
故构造代价函数，也称平均误差公式：
上式中m为训练集样本数量，用平方代替绝对值，再将所有样本点求和再求平均
最佳θ0，θ1满足下式：
课时8 代价函数（1）
1.我们希望找到一条与数据拟合的直线，所以我们构造了下面这个假设函数，包括theta0和theta1，随着参数的选择不同，我们会得到不同的直线，和数据相符额直线如下图绿色直线，代价函数是J(theta0,theta1)，我们的目标是最小化代价函数
2.为了更好的使得代价函数J可视化，我们使用一个简化的假设函数，如下图中所示，假设函数只包括一个参数theta1，代价函数和之前的类似，这里我们的目标就是尽量优化J的值。
3.假设函数和代价函数是需要我们仔细了解的关键函数
(1)假设函数是在给定theta1的情况下，是一个关于x的函数
(2)代价函数J是关于theta1的函数，theta1控制着直线的斜率
(3)假设threta1等于1，我们要弄清楚的是当theta1=1的时候，J(theta1)的值，接下来计算代价函数的第一个值
这里我们知道J(1)=0
代价函数是三段直线的高度和。然后代价函数的计算如下：
(4)当theta1=0的时候，可以计算绘制下图
(5)当theta1=-0.5的时候，代价函数的值很大，约为5.25
(6)经过一些列的计算，可以得到下面的值
(7)对于每一个theta1的值，都对应着一个假设函数，对应着不同的直线，同时也可以找到不同的J(theta1)的值
所以我们学习算法的目的是选择不同的theta1的值，求出最小的J(theta)的值，这就是线性回归的目标函数
美妙！
