Если мы попытаемся представить это в визуальных терминах, наш набор обучающих данных будет разбросан в плоскости x-y. Мы пытаемся провести прямую линию (hθ (x)), которая проходит через эти разбросанные точки данных.
Наша цель - получить лучшую возможную линию. Наилучшая возможная линия будет такой, чтобы средние квадраты вертикальных расстояний разбросанных точек от линии были наименьшими. В идеале линия должна проходить через все точки нашего обучающего набора данных. В таком случае значение J (θ 0, θ 1) будет равно 0. В следующем примере показана идеальная ситуация. где у нас есть функция стоимости, равная 0.
Когда θ 1 = 1, мы получаем наклон 1, который проходит через каждую точку данных в нашей модели.
И наоборот, когда θ 1 = 0,5, мы видим, что расстояние по вертикали от нашей аппроксимации до точек данных увеличивается.
Это увеличивает нашу функцию стоимости до 0,58.
Построение нескольких других точек дает следующий график:
Таким образом, в качестве цели мы должны попытаться минимизировать функцию затрат. В этом случае θ 1 = 1 - наш глобальный минимум.
Читать далее - Функция затрат Интуиция 2
Заявление об ограничении ответственности - эта серия основана на заметках, которые я создал для себя на основе различных книг и видео, которые я читал или видел, поэтому часть текста может быть точной цитатой из некоторых книг / видео.
