PGeorge6的博客

第一个具有较高误差第二个比较合适第三个太合适了，而且函数图像不正确，所以了，也叫做具有如果稍微变动一下输入，输出可能会有很大变化。所以要寻找一个既没有高偏差又没有高方差的式子。这又是一个过拟合的例子，尽管它在训练中做的非常好，但是这并不能应用在实际的生活中。

9.1梯度下降的实现

成本函数损失函数。

如果用原来的数据的话图形比较扁，有可能会多次反弹，而特征缩放了以后就是圆形就比较好梯度下降了。

例如要评价一套房子，要从多个方面评价例如x1代表大小，x2代表房间数，x3代表层数，x4代表年份。b为基础价格这是通式，用向量表示为叫做矢量，有时候叫做向量写成点积这种叫做多元线性回归，通常用矢量化，可以更快地执行代码。

为了实现线性回归，第一个关键步骤是手心定义代价函数，代价函数将告诉我们模型的运行情况，以便我们可以尝试让它做的更好。

根据已有的数据集，知道输入和输出结果之间的关系。根据这种已知的关系，训练得到一个最优的模型。在监督学习中训练数据既有特征(feature)又有标签(label)，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签。简单理解：可以把监督学习理解为我们教机器如何做事情。我们不知道数据集中数据、特征之间的关系，而是要根据聚类或一定的模型得到数据之间的关系。在无监督学习中数据只有特征(feature)无标签(label)