【Andrew Ng机器学习】单变量线性回归-代价函数（二）

课程：吴恩达机器学习

---

更深入的理解代价函数的作用

---

两个参数的代价函数

这次我们对代价函数图形化时，保留全部参数\theta_0和\theta_1。

这是关于房价的训练集

当我们设置\theta_0=50,\theta_1=0.06,就得到了
h_\theta图像：

J(\theta_0,\theta_1)的图像：上一个例子中，我们只有一个参数\theta_1得到的是这样的图像：
现在，当我们有两个参数，实际上也是一个碗状的图像，而且与训练集有关。图像如下：

• 这是一个3D曲面图，轴标为\theta_0和\theta_1。
• 当改变\theta_0和\theta_1的值的时候，就会得到不同的代价函数J(\theta_0,\theta_1)的值。
• 曲面的高度就是J(\theta_0,\theta_1)的值：

为了在接下来更好地展现图像， 不用使用三位图像来展示代价函数J ，我们要使用等高线图（contour plots OR contour figures）来展示这些曲面。

---

一个等高线线图的例子

• 其中的轴为\theta_0和\theta_1，每个椭圆形显示了一系列J(\theta_0,\theta_1)值相等的点，例如：
  品红色的三个点具有相同的J(\theta_0,\theta_1)值。

1. 以红色这点为例：
   \theta_0大概等于800， \theta_1大概等于-0.15，红色这一定对应了一组(\theta_0,\theta_1)的值：
   
   这条线没有很好地拟合数据，\theta_0=800,\theta_1=-0.15，没有很好地拟合函数，你会发现代价值J(\theta_0,\theta_1)离最小值相当远，这是一个相当高的代价，因为拟合得并不好。

2. 其他例子：
   

   这是一个不同的假设函数，同样拟合得不是特别好
   但可能会比上一个略好一点。

• \theta_0大概等于360，\theta_1=0
  这组参数对应着一条水平线：
  
  这就是假设函数，这个假设函数仍然具有一定的代价，这个代价即在J函数中该点的高度。
• 而取其他的点：

  仍然不能拟合，甚至离最小值更远。

3. 最后一个例子
   这个并不是在最小值点，但它相当接近最小值，表明函数对数据的拟合还不错。函数对应着某个\theta_0值，同样也对应这一个\theta_1值我们得到了一个h(x)。
   这并不是最小值，我们已经相当接近了，所以平方差和是训练样本与预测值之间距离的平方和，这是一个所有误差，也就是距离的平方和虽然依旧不是最小值，但相当接近最小值。

---

总结

通过以上的图像，更好的去理解代价函数J的意义，如何对应不同的假设函数，以及接近代价函数J最小值的点，对应这更好的假设函数。

---

我们真正想要的是一个高效的算法，一个软件的高效组成部分来自动寻找代价函数J最小值对应的\theta_0和\theta_1。我们不希望编写出一个软件只能画出这个点，然后再尝试手动读取参数，这不是很好的方法，事实上，我们会在之后看到当我们面对更复杂的例子时涉及到更多的参数，更高的维的图形，碰到一些没有办法绘制的图，我们需要利用软件找到使函数J最小的\theta_0和\theta_1，我们之后将会讨论一个可以自动找到使函数J最小的\theta_0和\theta_1的算法。

【Andrew Ng机器学习】单变量线性回归-梯度下降