监督学习中的线性回归算法
监督学习：对于每一个数据，给出了“正确的答案”
线性回归算法
回归问题： 回归是指我们根据之前的数据预测一个准确的输出值
分类问题： 当我们要预测离散的输出值，0/1离散值输出问题
数据集（训练集）
以房子价格为例，数据集就包含不同房屋的价格，我们需从数据中学习预测房屋价格。
m表示数据集中数据的数量，x为输入量，y为输出量。（x,y)为一个数据实例。
h为从x到y的一个映射。 Learning Algorithm 为算法。h(x)=θ0+θ1x. 线性方程为最简单的一种模型
如何选择不同的模型参数θi
最小化问题：找到θ0和θi使得1/2m*Σ(h(x(i))-y(i))²最小。h(x(i)) 为预测值，y(i)为数据值。
代价函数
代价函数（平方差成本函数）:
J(θ0，θi)=1/2m*Σ(h(x(i))-y(i))² ， 即求代价函数的最小值。
h(x)是关于x的函数，而J(θ)是关于θ的函数。 对于每一个θ都有一个确定的h(x)来拟合数据集。 拟合度就可由上面公式算出，就是J(x). 我们要做的求出一个θ值，使得J(θ)最小。对于的h(x)就是最适合的线性回归方程。
如图，分别去不同的θ值画出了了J(θ)的函数图像，可以看出θ=1时取值最小。
对于两个变量 θ0 和θ1 的线性回归方程：
做法和之前的一样，给出一个数据集，选取不同的θ0和θ1值来拟合数据，并求出对于的代价函数值J(θ0,θ1)。 函数图像如图：
在三维图像中可以看出，对于不同 的θ0和θ1值，都能求出一个J(θ0，θ1)值。呈一个曲面，曲面的最低点就是我们要求的点。
梯度下降算法
算法公式
先对θ0和θ1初始化，通过不停的变换θ0和θ1的值来使J(θ0，θ1)减小，直到J（θ0，θ1）取最小值或局部最小值。算法公式如图：
我们要做的就是不断运用这个公式来更新θ值来实现梯度下降，找到J(θ0，θ1)的最小值。
:=表示赋值。 a:=b即把b的值赋给a。
α被称为学习效率。在梯度下降算法中，α就相当于我们下山时会迈出u多大的步子，α值越大，在相应的梯度下降过程中，步子越大，速度越快。即控制以多大的幅度更新θ0和θ1.
微分项即求偏微分。
还有一个问题在于更新θ0和θ1的值。更新公式如图：
temp0和temp1作为中间变量，先分别算出，再分别赋值给θ0和θ1.
梯度下降法的理解
为什么梯度下降法可以帮我们找到代价函数的最小值。通过J(θ)函数来理解。我们假设 J(θ)函数在θ=θ0处取得最小值。再去一个θ1>θ0，作为初始值。选定一个学习效率α，求出θ1点处的倒数，运用上面的算法公式算出θ2.因为θ1处的导数大于0，所有θ2<θ1，只要选取的α值合理（不要太大，太大可能造成离散，也不要太小，太小效率太低，要很久才能达到最低点。），就可以满足θ0<θ2<θ1,θi逐渐趋近θ0. 当θi=θ0时，θi保持不变（因为最低点处导数为0）。
J(θ0，θ1) 梯度函数的理解
迭代算法公式：
意思和之前的差不多
