机器学习的目的是在训练数据的基础上得出一个模型，该模型对于给定的输入x，给出相应的输出y。用公式表示就是：y = h(x)。注意x表示一维向量，x={x1,x2,x3...}。这里的xi也就是特征（feature），h就是模型。

若输出y是连续值，则是回归预测问题。若y是离散值，则是分类问题。如果给定的训练数据是(输入-输出)对的形式，也就是明确指出某个输入x，其对应的输出是何值，这种输入有监督学习。若训练数据中只包含x，没有输出y，则是无监督学习。

输入和输出是一次对应关系。直观的说：二维空间中，x和y的关系可以用一条直线表示，在三维空间中，x和y的关系可以用一个平面表示，更高维的以此类推。属于一种预测问题。

公式表示如下：

二维：h(x) = θ0 + θ1*x1， 这个公式也可以看成 h(x) = θ0*x0 + θ1*x1，其中x0 = 1。

普遍：h(x) = θ*x  （其中θ和x表示一维向量，包含n+1个元素，n就是特征的个数）

其中x表示特征向量（和线性代数里的特征向量不是一个概念），θ表示特征的系数。

h(x)是根据模型计算出的结果，y是真正的输出。用J(θ)表示训练模型hθ计算出的结果和实际输出的差异：

J(θ) = 1/2m * sum((hθ(x) - y)^2)，其中m是训练集的大小。

注意，J(θ)是关于系数θ的函数，因此公式中的模型用hθ(x)表示。

线性回归问题中的目标就是找到一组θ使，J(θ)取到最小值，那么对应的hθ就是训练出的模型了。

梯度下降是一种能找到J(θ)最小值的方法。

该方法先随机指定一组系数θ，然后进行迭代，每次迭代通过改变θ的值来减小J(θ)，直到J(θ)不再变小，或者达到要求。

改变θ的方法：

依次改变θ中的每个元素。对于θi，求J(θ)对θi的偏导数J‘(θi)，再乘上每次改变θ的幅度。

直观理解（不是很准确）：J‘(θi)表示在维度θi上的梯度，也就是变化方向。若J‘(θi)大于0，则随着θi增大，J(θi)也在增大，因此要减小θi的值。反之要增大θi的值。

对J(θ)求偏导后，以上公式可以写成：

θi = θi - α/m * sum( (hθ(xi) - yi) * xi )

理论上梯度下降存在局部最小值，但是线性回归的J(θ)是一种类似高斯函数的钟形函数，是存在全局最小值的。

具体的梯度下降法有batch gradient descent 和 随机梯度下降

batch法，就是在每次迭代的过程中用全部m条训练数据求出J(θ)的偏导数，再更新θ，这样的结果比较精准，但是每轮迭代就需要m*n次计算。若迭代T次，那么复杂度就是O(T*m*n)

随即梯度下降法，是在一轮迭代过程中，每遍历一条训练数据，就更新一次θ。用公式表示就是：

θi = θi - α * (hθ(xi) - yi)*xi

虽然复杂度仍然是O(T*m*n)，但是随机法的T比batch法T要小很多，也就是迭代次数要少很多。

不同的特征的范围不同，比如x={x1,x2}，其中x1∈[1,1000]，x2∈[1,10]。这样得出的结果误差大，因此需要将数据范围差异减小。一种方法是求得训练数据中每个特征的均值mu，再求出标准差sig，将x = (x-mu)/sig，作为训练和预测的值。但是不用处理x0

无论是哪种梯度下降，都要迭代。正规方程式不需要迭代。推到过程需要良好的数学基础，这里只给出结果：

θ = (x‘*x)^-1*x‘*y

其中x‘表示矩阵的装置，x^-1表示矩阵的逆矩阵。