吴恩达机器学习训练1：线性回归（单变量）

                         吴恩达机器学习训练1：线性回归（单变量）
   本小节主要讲解的是如何利用已知的数据进行简单的线性回归分析，主要分析了梯度下降法和正规方程法两种。

线性回归分析即利用多项式函数逼近已知数据，常用来预测。例如，当已知某地区房子大小、房间数、地理位置等信息以及该房子的价格时，就可以用来预测其它房子的价格。将房子大小、房间数、地理位置作为特征参数，用矩阵X表示，将房子的价格作为预测值，用y表示，即为数学上的拟合。
要拟合已有数据，则需要有两个前提。一是假设的数学模型，如直线型、抛物线型或高次型；二是拟合效果的判断，即损失函数，使用拟合的模型拟合出来的偏差度。
数学上常使用平均偏差作为损失函数，即拟合模型计算出来的值与实际的值平方和的均值，记损失函数为：

此处h为拟合模型函数，m为数据的总数。
则拟合的最终目的是求得J最小值时的函数，此处有两种方法：梯度下降法和正规方程法。
1、梯度下降法：给定theta参数的初值，由程序迭代完成损失函数J最小值的寻找。

此处alpha为学习速率，需选择合适的值，若alpha过大，则可能会跳过最小值点，若alpha过小，