一、模型描述
上一章已经通过卖房价格的模型简单介绍了什么是回归：我们尝试将变量映射到某一个连续函数上。
这章我们将这个问题简单地量化为单变量线性回归模型（Univariate linear regression）来理解它。
PS：监督学习最常见的两类问题：
1、回归：预测一个具体的数值输出
2、分类：预测离散值输出
先来看这个过程是如何进行的：
其中，h表示假设函数：
θ是参数，下一节我们谈谈如何选择这两个参数值。
二、代价函数（Cost function）
我们现在有了数据集，并且可以通过改变参数来调整h函数，那么，我们如何定义什么是“更好”的h函数呢？
一般而言，我们通过调整θ，使得所有训练集数据与其拟合数据的差的平方和更小，即认为得到了拟合度更好的函数。
我们引入了代价函数：
当代价函数J最小的时候（minimize J(θ0,θ1)），即找到了对于当前训练集来说拟合度最高的函数h。
对于单变量线性回归而言，J关于θ的函数如下：
当我们找到了这些同心椭圆的中心点时，就找到了J函数的最小值，此时拟合度更好。
三、梯度下降基本概念（Gradient descent）
现在我们得到了代价函数J，那么我们如何求出J的最小值呢？
这一章我们使用数值计算（numerical calculation）的方法（后面我们会学习解析解法）：
从某一对θ0,θ1出发
不断尝试改变θ0,θ1，使得J（θ0,θ1） 减小，逐步逼近最小值（迭代）
改变的策略：每一次改变的方向，取当前位置梯度下降的方向：
梯度下降算法的定义如下。我们将会反复重复这一步骤，直至收敛。其中的α是学习率（learning rate）控制下降速度。
（for j=0 and j=1）
迭代步骤如下：
特别需要注意的是，在这个迭代算法中，参数θ是计算完当前迭代轮次所有的θ后才统一更新，而不是算出一个更新一个（若算出一个更新一个，那么方向就不是当前点的梯度方向了）
四、线性回归的梯度下降
将线性回归的代价函数代入梯度下降方程中，得到：
线性回归的代价函数是一个凸函数，局部最优解就是全局最优解。因此迭代完成后就可以得到最优解。
PS.
1、
2、矩阵相乘没有交换律，但有结合律
