Stanford机器学习课程(Andrew Ng) Week 1 Model and Cost Function --- 第一节 Model representation

Model representation

课程地址：
https://www.coursera.org/learn/machine-learning/lecture/db3jS/model-representation?sort=lastActivityAtDesc&page=1

这节课将通过讲述一个完整的线性回归的例子来了解监督学习的完整流程。

首先根据不同房屋尺寸所出售的价格画出数据集，如果我们要预测1250公尺房子的价格，我们就要构造一个模型，这里看来可能是条直线，然后我们便可以预测价格，这就是监督学习一个简单的例子。

• 之所以成为监督学习，是因为在数据集里我们的每个例子都有一个对应的结果
• 而这个模型更准确的说是一个回归模型，回归一词指的是我们根据之前的数据预测出一个准确的输出值。当然还有一种常见的监督问题叫做分类问题帮助我们计算离散的输出值，例如肿瘤良性还是恶性就是一个0/1的离散输出问题。

---

常用表示：

在计算中我们通常用

• m 表示数据集的个数，
• x表示特征值（输入变量），
• y表示输出变量（目标变量）。
• (x , y)表示一个训练样本
• (x^(i) , y^(i))表示特征在数据集中的位置，在表中的第i行

---

流程：

h称为假设函数（hypothesis）,可以理解为 x 到 y 的一个映射函数
当设计学习算的的时候，我们接下来需要思考的就是怎样得到这个假设h
通常我们也把线性回归成为单变量线性回归

下节课将讨论如何实现这种模型