机器学习监督算法之线性回归算法：
1.机器学习的实质说白了就是通过数据之间的关系找出某种映射：
f:X→y
而针对线性回归来说就是假定X与y之间有线性相关关系。（注意，一定是线性相关关系，和多项式关系区分开啊）
hθ(x→)=θ0+θ1x1+θ2x2+...+θnxn=∑i=0nθixi
其实呢这个公式就是说，x1,x2.。。xi 是我的不同的特征，也是是自变量，因为这些变量的作用使得最终结果y的输出，前面的系数可以理解成对这一个特征的权重，也就是“重要性”，所有体现出了我的特征对结果的影响是线性的，就是线性回归啦。
2.下面以一个银行决定贷款多少给一个客户为例：
我们假设贷款金额只和年龄和工资有关，则hx如何图示。
问题来了，我们拟合出来的函数是100%重合于数据的么？显然不是，因此存在一个损失（代价）函数，也就是误差。
3.误差是什么样子的呢？
我们一般都是认为误差是符合一个均值为0的正态分布，正态分布不解释，大自然界的众多东西分布当趋于一定量时都会呈现一种正态分布，就是中间多，两头少的趋势，
反过来说，如果我的误差不是为0较多，大误差较少的话，那我这也太不准了，就不是误差了，是错误了哈哈。
4.继续往下做一下数学方面的推导：
也就是得到了一个函数，我们要让他越大越好（减去后的那个东西）
J(θ1,θ2,...,θn)=12m∑i=1m(hθ(x→(i))−y(i))2
这个函数可以大概理解为：将每一个真实值与理想值做差的平方，累加起来再平均。
5.如何求最小值？
1.最小二乘法 2.迭代法（梯度下降）
6.求偏导，另偏导等于0
结果：θ = （X^T X）^-1 X^T y
7.梯度下降法：
附上两张吴恩达大牛的图：
