本文通过实例和可视化方法，深入浅出地解释了线性回归中损失函数的作用，强调了损失函数作为优化目标的重要性。通过改变θ1的值，观察损失函数J(θ1)的变化，说明当损失函数最小化时，对应θ1的模型是最佳拟合数据的直线，从而确定最佳模型参数。
本文重点
上一节课程中我们学会了损失函数在数学上的定义，为了让大家对损失函数有更加深入的了解，本节课中我们将通过一些例子来帮助大家更加直观的感受损失函数。
我们先来回顾一下上节课程中讲解的内容：
我们想要找一条直线hθ(x)来拟合我们的数据，所以我们用θ0和θ1参数来得到我们的假设。而且不同的参数θ0和θ1得到的直线hθ(x)是不一样的。为了让这条直线和我们的数据拟合的非常好，我们引入了损失函数，损失函数就是我们的优化目标，当损失函数最小的时候，此时θ0和θ1构成的模型就是最好的直线hθ(x)了。
不同的θ值
为了达到简化的目的，我们令θ0=0，此时假设函数为hθ(x)=θ1x，现在的任务是最小化损失函数：
现在我们的假设函数是hθ(x)=θ1x，它是关于特征x的函数，θ1是该直线的斜率，θ1不同hθ(x)就会不同。
我们现在的数据集可视化如下所示&
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
