[ML笔记]梯度下降和线性梯度下降

引导 前一篇讲解代价函数作用，在监督学习的回归问题上，我们使用代价函数求解最优解，以确定假设函数。 代价函数公式 J(θ0,θ1)=12m∑m1(hθ(xi)−yi)2 上文也提到，在参数较为复杂的情况下，代价函数的轮廓图可能如下图，该如何找到合适的 θ0,θ1 呢？ 预备知识 有关导数，偏导数，方向导数，梯度，向量的概念请参考博文： [机器学习] ML重要概念：梯度（Gradient）与梯度下降

>>阅读原文<<