什么是线性回归？
在监督学习（supervised learning）中：
- x表示输入值；
- y表示输出值（也是预测值）；
- （x(i), y(i)）被称为训练样本；
- 一组（x(i), y(i)），i=1，...,m，被称为训练集（training set）
注意：这里的上标i指的是序号，而与取幂无关
为了更直观一点，下面是监督学习的流程图（其中h——<b>hypothesis</b>是预测算法生成的线性式）：
supervise learning processing
Andrew举了个房价预测的栗子（一个回归的预测）：
房价预测
房价预测
这里的房价可以认为是连续的，所以可以模拟一条直线来根据房间面积来预测房价，这就叫线性回归。
但是如果y只是一簇一簇离散的数据，比如根据房屋面积判断是别墅还是平房，那么这样就叫做分类问题。
Cost Function（误差函数）
我们用cost function来评估hypothesis的准确性，这里y(i)是输入为x(i)时的真实值。有时候也称为“Squared error function”或者“Mean squared error”
Cost Function
误差项
cost function如何得来？
- 在这里由于误差项可正可负，相加时会正负抵消，这样就无法区分没有偏差和政府偏差相抵消时的情况。因此，我们使用误差的平方和，并令其最小，这样的方法也叫做最小平方发（Least Squares Method）。
- 后面我们就会知道为什么除的是2m而不是m，这里简单说一下：
除以2m，是用来简化其数据，make it easy。
Cost Function
