已知了代价函数：
我们需要一个算法来最小化 ，而梯度下降算法可以解决这个问题。
梯度下降算法不仅可以应用于多种函数的求解，不仅限于线性回归问题。
梯度下降算法可以解决更一般的问题，例如 求解该代价函数的最小值。
算法流程
回到线性回归上来，还是使用 来说明。
- 将
设置一个初始值，可以是任意值，但通常会设置成0；
- 不断的改变
的值一直减小，直到找到
的最小值或局部最小值。
工作流程
这是一个随 变化而导致
变化的图表。我们希望最小化这个函数，根据流程，先初始化一个
的值。
把这个图像想像成一座上，初始化的试过就是把你放在山的某处，现在你要下到山的最下面，也就是山谷底。
现在把自己旋转360度，寻找一个最快下山的方向，然后迈出一步，接着重复上次的过程继续找一个最快下山的方向迈出一步，重复上面的步骤，迈出一步又一步，直到一个局部最低点的位置。
下降的轨迹
当初始位置向右偏移一点，下降的轨迹就不一样了。
这样我们得到了两个局部最低点，当初始位置不同时会得到不同的局部最优解，这是梯度下降算法的一个特点。
取得下降方向的方法就是取代价函数的导数（即一个函数的切线），切线的斜率就是那个点的导数。当斜率趋向于0时就说明代价函数的值在下降。而每一步的步长则是由学习率（learning rate） 来表示。
例如：上图中每个 “星” 之间的距离就是由参数 来确定，当
较大时，步长就较大，同样的，
较小时，步长就会变小；前进的方向则是由
出的偏导数来决定。根据不同的起点，可能会在不同的终点结束。
定义
梯度下降算法的定义是：
重复下面的步骤直到收敛
表示索引，此例中可取0, 1
注意：
当改变参数 时，需要注意的一点就是要同时改变这些参数，这对于获得正确的代价函数是非常重要的。
：
这样的一个步骤是正确的。
：
用一个例子来说明梯度下降算法：
有一个单变量线性回归的预测函数，同时将,这样预测函数就是：
这样梯度下降算法就是重复计算:
红线就代表的代价函数的导数，即在这一点的斜率，上图的点上我们可以知道 ，
代入式子中，我们可以得到在变小，向左靠拢。
当初始 在左边，它的斜率是负数，我们可以得到
在变大，向右靠拢。
当接近J函数的最底部时， 接近0。当到最理想的情况下，
，在这张情况下我们可以得到：
。即
不会再变化。
由上图可知，当学习率 过小时，我们需要经过很多步才能到达最低点，耗时会更长。而当
过大时，可能会越过最低点，导致无法收敛
总结一下：当越接近局部最小值的地方时，偏导数 就越小，在
不变的情况下，
下降的步子也就越来越小，当达到局部最优时，
就不变了，因此，我们不需要减小
的值。
应用到线性回归问题上
已知线性回归的预测函数：
将预测函数代入到代价函数中并应用数学求导，可得到：
当j=0时:
当j=1时：
在线性回归问题中，我们从一个假设的开始，重复应用这些梯度下降方程，之后我们的预测函数就会越来越精确。
转载自：
https://codeeper.com/2019/12/30/tech/machine_learning/linear_regression_gradient_descent.html
