[机器学习笔记2]线性回归算法学习（一）

1.假设函数：h(x) = θ0 + θ1*x
模型参数：θ0，θ1

2.训练集：

约定几个变量如下：

• m：训练样本的数目，这里m=4
• x：输入变量，或者叫做特征 这里的房屋面积就是x
• y：输出变量，就是预测的目标变量 这里的房屋售价就是y
  （x(i), y(i)）代表第i个样本

3.学习算法的目的：选择合适的模型参数θ0，θ1，来使假设函数表示的直线尽量的和数据集中的点很好的拟合，即在假设函数中，输入变量x的值，得到的预测值h(x)能尽可能的接近样本对应的y值，即选择合适的θ0，θ1值使得（h(x) - y）²最小

4.代价函数：

代价函数J（θ0，θ1）

学习算法的目的就是关于θ0，θ1对J(θ0，θ1)求最小值
根据以上的约定，可以理解代价函数的意义，先求得在所有样本上假设函数预测值与实际样本值得误差平方和，再除以样本值，得到平均误差，再乘以1/2，此处未理解为什么要乘以1/2

接下来继续学习，如何编写算法寻找J(θ0，θ1)的最小值