写在前面：我不确定明年峰哥哥会不会换实验（换的可能性不是很大，因为据老师说这么简单的实验已经不好找了xx），实验对于一个刚入门ML的小白来说可能会一头雾水。之前有位学长在CSDN上发布过实验的全部代码部分（我坦白我也抄了两个实验）。所以我这篇博客就不会在直接粘贴代码了（这样也很没有意义是伐。）
Linear Regression
实验的中文版解读可以参考这位学长的博客实验解读
我们首先的第一个任务是完成一个线性回归的模型构建。
我们拿到了数据集(x (i),y (i) ) 对应（身高，年龄）的这样一个元组。根据提示的用梯度下降的方式去训练这个线性回归模型。
对于线性回归模型，我们的函数表达式的为:
当然你不好理解的话也可以理解为：
不过这个要是不理解建议先去看看梯度下降相关的知识（所以本博客之后这种基础的数学问题就不再叙述了。）
所谓的梯度下降，是指一个函数求极值问题中，我们把函数的高低想象成一个山脉，我们要找这个山脉中最低的山谷位置，每次要沿着下降最快的方向去走一定的距离，下次在新的位置开始，再继续寻找这个下降最快的方向，再去走一定的距离。（这个距离我们称为步长，也就是该实验中我们要确定的参数，这个先记住之后再提。）
在该实验的具体问题中，我们用梯度下降找的最值问题其实不是的问题，我们的
其实已经确定了（尽管我们还不确定θ的具体值），我们要考虑让这个曲线最优的去拟合我们的数据。所以为了评判这个合不合适的问题，我们又定义一个代价函数
其实仔细想想也能明白代价函数为啥这样定义，这算是一个数学建模的过程吧。
总之现在我们是确定了代价函数，这个代价函数的自变量是θ，我们要人=让这个代价函数最小，获得最小时θ的取值。这时候我们刚刚提到的梯度下降就排上用场了。
其实就可以理解为对这一组参数进行不断的迭代。没到一个点，就计算下下降最快的方向是什么，然后根据刚刚提到的步长，走到一个新的位置。（这个新的位置就是new_theta，新的θ值，在代价函数里就体现为一个新的坐标）
下面的两个问题就是：什么是下降最快的方向。当然这也是梯度下降的基础了
这个怎么来的那就去看相关博客吧。
步长alpha则是我们自己确定的值（其中实验最后一部分还让我们尝试不同的alpha去观察代价函数的变化过程。
最后，迭代终止的条件：我们可以观察迭代前后的代价函数的值，如果两次差值并不太大，我们就可以认为收敛了（因为步长的缘故，我们梯度下降往往找不到真正的最小值，而是会最后在极值点附近振动，这点自己想一想也可以明白） 当然，防止迭代次数过多，你也可以自己设一个最大迭代次数，不过这可能导致最后并不收敛。
这个实验的内容，最后也就是围绕着梯度下降线性回归，观察代价函数值的变化以及观察不同的学习率（步长）下代价函数的影响。最后手动调整比较优秀的学习率alpha的问题，其实就是看图的过程了（希望代价函数下降的不要太慢，因为步长过小，代价函数收敛太慢这样学习效率会很低，也不希望代价函数下降过快，因为我们刚刚说过找不到极值点最后振动的缘故，学习率太大了可能导致无法收敛。）
（最后，代码自己去写.jpg
