機器學習基礎（3）代價函數

上篇文章中我們提到了代價函數 J ( θ ) J(\theta) J(θ)，並期望使它最小化，那代價函數長什麼樣子呢？ 接下來，我們將給大家一個直觀的感受，看看參數 θ \theta θ取不同值時， J ( θ ) J(\theta) J(θ)的幾何呈現 我們可以把訓練集中的樣本 ( x , y ) (x,y) (x,y)想象成分散在xy平面上的點，然後通過一條直線來擬合這些點，這條直線就是我們的

>>阅读原文<<