吴恩达ML课程课后总结，以供复习、总结、温故知新，也欢迎诸位评论讨论分享，一起探讨一起进步：
下一篇：机器学习（2）--多元线性回归算法https://blog.csdn.net/qq_36187544/article/details/87879423
linear regression线性回归算法：
问题描述，对若干个离散点进行线性回归
得到回归线性方程
首先引入平方误差函数，或者叫代价函数：
意义是取点与回归直线距离平方的均值的二分之一，进行拟合时就是找代价函数值最小的对应的θ0和θ1
不同θ对应下代价函数如下图，现在目标就是找到该凸函数的最低点
采用微积分中梯度下降的方法，算法如下：
每次进行θ0和θ1的更新（注：必须同时更新），α是学习效率，控制多大幅度更新θ，过大会无法收敛或者发散。
当达到最低时，偏导为0，认为这是局部最优解，这个下降幅度
随着偏导的减小而减小，最终达到局部最优解。
由于线性方程的代价函数是一个凸函数，所以只有一个全局最优。
最后经过求偏导得到如下算法，又称为Batch梯度下降法：
