linear regression线性回归

机器学习大致流程

H是已知 X到目的 Y的映射
假设
$H_\theta（x^i）= \theta_0 + \theta_1x^i$
选择 $\theta_0$ 和 $\theta_1$ 使得代价函数也即平方误差代价函数最小
代价函数
$minmize\sum_{i=1}^{m}（h_\theta（x^i）- y^i）/2m$

gradient descent梯度下降算法
梯度下降是一个用来求函数最小值的算法。
斯坦福机器学习笔记（二）
其中 $\alpha$ 被称作learning rate（学习速率），之后视频中讲到 $\alpha$ 不可以过大，否则可能无法收敛或者发散，而梯度下降是通过不断重复计算直到 $\theta_j$ 收敛。