現(xiàn)在來約定一些變量
"m"= Number of training examples（表示訓(xùn)練樣本的數(shù)目）
"x"="input" variable /features （輸入變量或者是特征變量）
"y"="output" variable/"target" variables （輸出變量或者目標(biāo)變量）
Model Representation（模型表示）
線性回歸模型(Linear regression)模型，說簡單點就是一個關(guān)于單變量的線性回歸，即單變量線性回歸這個變量就是x。
Cost Functon（代價函數(shù)）
代價函數(shù)的概念，使得我們能夠弄清楚如何把最有可能的直線與我們的數(shù)據(jù)相擬合。代價函數(shù)也被稱為平方誤差函數(shù)或者平方誤差代價函數(shù)。我們之所以要求出誤差的平方和，是因為平方誤差代價函數(shù)對于大多數(shù)回歸問題都是一個合理的選擇。（還有其他的代價函數(shù)，但是平方誤差代價函數(shù)可能是解決回歸問題最常用的手段，后續(xù)會討論其他的）
代價函數(shù)的工作原理：求出與我們的數(shù)據(jù)相擬合的最有可能的直線
代價函數(shù)到底在計算什么: 誤差。因為代價函數(shù)實際上是就是代價函數(shù)所求的值越小，那么誤差就越小，擬合出來的曲線越接近數(shù)據(jù)的實際情況
通過給假設(shè)函數(shù)的自變量賦值帶入，然后求出J的值，從而手動的擬合出一條曲線，估計出J的最小值。
所以其實根據(jù)已經(jīng)有的點來獲得擬合函數(shù)，1是可以通過《HeadFirst DA》來直接用excel來擬合，2是可以通過已經(jīng)有的點來手動擬合這點應(yīng)該只是高中的知識。3是 可以通過代價函數(shù)，求出相關(guān)性最大的公式。
更加深入的學(xué)習(xí)代價函數(shù)的作用：
contour plot 或contour figure都是輪廓圖的意思
右邊輪廓圖中的一個點，就是左邊圖像中的一條線。
即，我們真正需要的，是編寫程序來找出最小化代價函數(shù)的θ0和θ1的值，我們需要知道一種算法，能夠自動地找出能使代價函數(shù) J 最小化的參數(shù)θ0和θ1的值 ，這就要引出下一節(jié)討論的內(nèi)容——梯度下降函數(shù)。
