吴恩达老师机器学习课程--单变量线性回归（附练习题的python实现）

机器学习之单变量线性回归

吴恩达老师的coursera课程翻译版：https://www.bilibili.com/video/BV164411b7dx?p=5

参考github上大佬python实现算法的笔记：https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes

很经典的课程啦，这个翻译还可以，有不清楚的直接看英文。网上笔记很多，我也记录一下，记得牢固一点。

本章节学习的是监督学习两大类（回归问题、分类问题）中的回归问题。

一、模型描述

1. 变量表示：

   • m：训练集数量
   • x：输入变量（特征）
   • y：输出变量（目标变量）
   • (x,y)：训练样本
   • (x⁽ⁱ⁾,y⁽ⁱ⁾)：第i个训练样本

2. 监督学习的工作原理：

   重点是找到假设函数h（hypothesis），h有很多种我们从简单的一元线性学起。

   

   h的函数表示：$h(x)={\theta }_0+{\theta }_{1}x$

   其中${\theta }_i$为模型参数，要求得假设函数必须得到参数值，而参数值是我们要通过下面的代价函数计算求得的。

二、引出代价函数的概念

1. 作用：能够计算出最有可能拟合我们数据的直线。

2. 要找出最有可能拟合的直线，就应该满足下式：
   $$\genfrac{}{}{0ex}{}{minimize}{{\theta }_0,{\theta }_1}\sum _{i=1}^m$$