machine-learning之代价函数
课时七 代价函数
Cost function: 找出最有可能的直线和数据拟合 ≈ 平方误差函数
Hypothesis：
\[h_θ(x) = \theta_0 + \theta_1x
\]
\[\theta_i 称为模型参数
\]
\[Idea: \theta_0, \theta_1以便 h_\theta(x) 接近训练实例(x,y)
\]
Parameters:
\[要求的值：\theta0,\theta1
\]
Cost Function(也称平方误差函数)):
\[J(θ_0,θ_1)=\frac{1}{2m}\sum_{i=1}^m(h_\theta(x^{(i)})−y^{(i)})^2
\]
平方误差代价函数是解决回归问题最常用的手段-(房价预测)
\[\frac{1}{m} 是为了减小平均误差(预测值和真实值的差的平方和)，m代表样本容量，\frac{1}{2}作为系数为了求导后可以约掉
\]
目标:
\[minimize(θ_0,θ_1) J(\theta_0,\theta_1)
\]
