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

了解渐变下降中的渐变 介绍 如您所知，我们进入了对衍生工具的讨论，以确定沿着成本曲线移动的步骤的大小和方向。 我们首先在单个变量函数中使用导数，以查看成本曲线的输出相对于回归线变量之一的变化是如何变化的。 然后，我们了解了偏导数，以了解三维成本曲线如何响应回归线的变化。 但是，我们尚未明确显示偏导数如何应用于梯度下降。 好吧，这就是我们希望在本课中展示的内容：解释我们如何使用偏导数找到最小化成本函数的路径，从而找到我们的“最佳拟合”回归线。 什么是梯度？ 现在，梯度下降从字面上意味着我们正