[ML筆記]梯度下降和線性梯度下降

引導 前一篇講解代價函數作用，在監督學習的迴歸問題上，我們使用代價函數求解最優解，以確定假設函數。 代價函數公式 J(θ0,θ1)=12m∑m1(hθ(xi)−yi)2 上文也提到，在參數較爲複雜的情況下，代價函數的輪廓圖可能如下圖，該如何找到合適的 θ0,θ1 呢？ 預備知識 有關導數，偏導數，方向導數，梯度，向量的概念請參考博文： [機器學習] ML重要概念：梯度（Gradient）與梯度下降

>>阅读原文<<