吴恩达的机器学习课程笔记章节二（1）

课时1 单变量线性回归
监督学习的过程可以用下面过程来表示：
training set ——> learning algorithm ——> h

上述的h代表假设函数，h的输入和输出分别是输入的已知数据和输出的预测结果。
我们用h（x） = θ0 + θ1 x 来代表预测函数表达式，这个表达式也是单变量线性回归函数。
课时2 单变量线性回归的代价函数（用来评判函数的近似程度）

代价函数

上述表达式随着θ0,θ1的变化而变化，J(θ0,θ1)即为代价函数。（代价函数又被称为平方误差函数）
课时3 代价函数（1）
假设函数——>代价函数
上述h(x)即我们假设的假设函数。J(θ0,θ1)即是相应的代价函数。
通过简化线性模型，计算误差。（减少一个参数θ0）

简化模型
假设函数和代价函数

课时4 代价函数（2）
非简化模型
代价函数是一个3D的碗状图形，为了方便观察，一个等高线图是一个方便的观察方式。

假设函数和等高线图的代价函数