“上次课讲了机器学习的模型表示，讲了一个线性模型的例子，那怎样在可能的拟合直线里选择一条最合适的呢？有没有数学的方法让这个直线合适还是不合适变得可以量化呢？这就要说代价函数了。”
01
—
视频
02
—
笔记
本次课前半段内容非常简单，带领我们一起复习初中平面几何的知识，后半段给出了代价函数（Cost function）的一般定义。
- 从一元线性模型看代价函数的引入；
- 代价函数的数学定义。
2.1从一元线性模型看代价函数的引入
上一节课，卖房子的那个训练集，我们说用一个直线的方程来拟合它们。如下图，在下面假设的直线方程。
theta_{0}, theta_{1}的变化，会改变直线的走向，让直线更好的拟合实际训练集中的那些已有的那些点点。
已有的训练集中的点分布如下图，
通过调整参数，可以得到这样一理想的条直线。
2.2 代价函数的数学定义
那有没有一种方法让拟合直线是否理想这件事变得可以量化呢？
针对那一堆训练集里面x^{(i)} 对应的y^{(i)}是已知的，如果把训练集中的每个x^{(i)}入我们用于拟合的那个直线的公式 中都可以得到一个估计值 , 用这个估计值和实际值之差的平方，可以衡量我们估计值和实际值的偏差情况。
我们如果把所有m个偏差的平方给它们求和，就会得到一个数，这个数呢，可以衡量我们的拟合曲线对所有的已知训练点的偏差情况。如果有办法把这个和降到最低呢，我们也就找到了那条最中庸，也是最适合用来做这个房子买卖这件事的预测直线。
对上面的方差函数变一下形，
上面这个公式呢，就是我们的cost function了。至于为什么要用平方，不用绝对值？那是因为平方可以求导（容易求导意味着容易求极值），平方一求导多出一个2，所以就在前面加一个2m的分母。
如果对误差函数还有点懵叉叉，且听下回。
