【Andrew Ng机器学习】单变量线性回归-代价函数（一）

课程：吴恩达机器学习

---

之前我们已经给出了代价函数的数学定义，接下来是一些例子，直观地来理解代价函数是用来做什么的，以及我们为什么要使用它。

---

回顾

• 我们喜欢找到一条与数据拟合的直线，所以我们构造了假设函数h
• 假设函数h，包含了两个参数\theta_0和\theta_1。随着参数的选择不同，我们会得到不同的直线
• 代价函数J(\theta_0,\theta_1)，也是我们的优化目标。

---

本次为了更好地使代价函数J可视化，使用一个简化的假设函数

此时我们的优化目标就是尽量减少J(\theta_1)的值

实际上我们关注的是两个函数h_\theta(x)和J(\theta_1)。
假设我们有以下数据集

• 我们设\theta_1为1，那么有h将表示为如下直线 横轴的标签是房子的大小x。
  当\theta_1=1时:

J(\theta_1)=(1/2m)\sum_{i=1}^m( h_\theta (x^{(i)})-y^{(i)} )²
=(1/2m)\sum_{i=1}^m( _{\theta_1} x^{(i)}-y^{(i)} )²
=(1/2m)( 0^2 + 0^2 + 0^2)
=0^2

也就是J(1)=0，那么我们画出代价函数的图像如下：

• \theta_1 = 0.5时：
  

J(\theta_1)
=(1/2m)\sum_{i=1}^m( h_\theta x^{(i)}-y^{(i)} )²
=(1/2m)( (0.5-1)^2 + (1-2)^2 + (1.5-3)^2)
=(1/6)*(3.5)=0.58

• \theta_1 = 0时：
  

实际上经过一系列的计算我们就可以画出函数J(\theta)的形状：

那么我们优化的目标就是选择\theta_1的值，使得J(\theta1)最小， 这就是线性规划的目标函数：
当\theta_1选择1时，J(\theta_1)达到最小。而观察h函数图像，当\theta_1为1时，h就是最符合数据的直线。

---

在本个例子中，我们简化了算法，使代价函数只有一个参数\theta_1，我们将参数\theta_0设置成了0， 接下来我们会回到原来的公式，看看同时包含两个参数\theta_0和\theta_1的图形。
【Andrew Ng机器学习】单变量线性回归-代价函数（二）