介绍 在上一课中，我们学习了梯度的数学定义。 我们看到一个函数的梯度是相对于该函数的每个变量的偏导数的组合。 我们看到了梯度下降的过程涉及沿梯度的负方向移动。 例如，如果某个功能的上升方向是向上和向右移动，则下降方向将向下和向左移动。 在本课程中，我们将对我们的成本函数应用梯度下降，以了解如何通过更改$ m $和$ b $变量来朝最佳拟合回归线移动。 将RSS表示为多变量函数 想一想为什么梯度下降法在成本函数中应用得如此之好。 最初，我们说函数的成本，即我们的回归线预测值与数据集之间的差异，是随

用功能表达 学习目标 了解说函数依赖于变量的含义 了解如何表达多元函数 了解如何表达由另一个功能组成的功能，以及为什么我们以这种方式表达功能 介绍 数学和代码中的概念趋于一致。 两者都是表达想法并为周围世界建模的机制。 现在是时候开始进行一些切线了，探讨数学中的表示函数与代码中的表示函数如何对齐。 这些概念中的一些可能看起来像是回顾，但是当我们继续探索其他数学主题时，巩固基础将为您提供清晰的信息。 表达功能 让我们找到一种通常讨论功能的方法。 我们将函数描述为$ f（x）$。 $ f（x）$是我

介绍 在继续之前，让我们退后一步。 到目前为止，在我们研究的监督学习算法中，我们正在遵循我们的过程。 收集：收集并清理相关数据 探索：探索数据 训练：选择统计或机器学习模型（即工具或算法），并针对某些标准（例如，模型对我们的数据的预测程度）优化模型 预测：使用经过训练的模型进行预测 如前所述，在收集和探索数据时，我们主要使用我们的Python技能和有关领域的知识。 训练模型更多地是关于机器学习。 在线性回归分析中，我们的模型是一条回归线。 我们使用它来建模我们的解释变量和因变量之间的现实