标签：函数 sum 样本 最小 损失 ax 式子

# 代价函数    * 代价函数的由来    一般来说给出一系列点欲求回归线性方程，即点到直线的距离最小  设对应关系为$H(x)$ 则希望$(H(x_i) - y)^2$最小 因为应有一系列的样本点所有欲使所有样本点都尽量符合这样的特征我们要使他们的距离和最小 即：      $\sum_{i=1}^m(H(x_i) - y_i)^2$   其中m为样本的个数，i为某一个样本 当关注某一个样本时自然要算出平均数$1/m$ 为了整个式子求导方便乘一个数2(为了配平方的导数)所以损失函数的式子变为$1/2m\sum_{i=1}^m(H(x_i) - y_i)^2$
这里使用$ax+b$完全是为了简化思路，实际上随着$H(x)$设置的不同(例如 $ax^2+bx-c$)则会得到完全不同的估计图像。

标签：函数,sum,样本,最小,损失,ax,式子
来源： https://www.cnblogs.com/cc521524/p/15361225.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。