吴恩达机器学习笔记1-单变量线性回归(Linear Regression with One Variable)

　　在监督学习中我们有一个数据集，这个数据集被称训练集。

　　𝑚 代表训练集中实例的数量

　　𝑥 代表特征/输入变量

　　𝑦 代表目标变量/输出变量
　　(𝑥, 𝑦) 代表训练集中的实例
　　(𝑥(𝑖), 𝑦(𝑖)) 代表第𝑖 个观察实例

　　ℎ 代表学习算法的解决方案或函数也称为假设（hypothesis）

　　这就是一个监督学习算法的工作方式，可以看到这里有我们的训练集里房屋价格
我们把它喂给我们的学习算法，学习算法的工作了，然后输出一个函数，通常表示为小写 ℎ
表示。ℎ 代表hypothesis(假设)，ℎ表示一个函数，输入是房屋尺寸大小，就像你朋友想出售
的房屋，因此 ℎ 根据输入的 𝑥值来得出 𝑦 值，𝑦 值对应房子的价格 因此，ℎ 是一个从𝑥
到 𝑦 的函数映射。
　　我将选择最初的使用规则ℎ代表hypothesis，因而，要解决房价预测问题，我们实际上
是要将训练集“喂”给我们的学习算法，进而学习得到一个假设ℎ，然后将我们要预测的房屋
的尺寸作为输入变量输入给ℎ，预测出该房屋的交易价格作为输出变量输出为结果。那么，
对于我们的房价预测问题，我们该如何表达 ℎ？
　　一种可能的表达方式为：ℎ𝜃(𝑥) = 𝜃0 + 𝜃1𝑥，因为只含有一个特征/输入变量，因此这样
的问题叫作单变量线性回归问题。