1.引言
当我们的训练集如下图1所示，可以假设hypothesis函数如图2
θ0和θ1我们称为hθ(x)函数的2个参数，h是x的函数，所以有时候也记着h(x)
对于这个已有的hypothesis，我们需要什么方法来评估这个假设函数的好坏呢？
因此我们定义了一个叫"代价函数"cost function 来评估当前hθ(x)函数
2. 代价函数
cost function也叫作loss function，就是对hθ(x)函数进行评估的一个函数。
代价函数最重要的作用就是是用来度量预测错误的程度，通常来说，模型越准确，越接近真实，其cost function的值就越小。
cost function 通常用大写字母J表示，由于cost function的大小和hθ(x)的参数取值相关，不难想象，J是θ的函数，用Jθ表示。
线性回归中的cost function，通常用最小"平方差"来表示，也称为square loss，
有2个参数θ0和θ1的时候，可以定义cost function函数如下所以
这里x和y的右上角标i，表示training set中第i个数据的特征向量和实际值，加括号表示是第i个，而不是i次幂
由cost function定义可以知道，当hθ(x)对training set测试结果完全正确的时候，const function的值是0
因此我们的目标，就是尽量优化hθ(x)，不断更改参数θ0 ~ θn 的值，使得Jθ的值最小，即上图中的Goal
3. 举例
为了简化模型，我们假设hθ(x)只有2个参数θ0和θ1，同时假设θ0 = 0
因此hθ(x) = θ1X
我们根据θ1的值等于 -1,0,1,2 可以画出cost function J(θ)的函数图像如下所示J(θ)。可以发现代价函数J(θ)是一个"凸函数"，存在全局最小值。
不难发现，当θ1 =1 的时候training set能够和hθ(x) 完美拟合成一条直线，此时J(θ)值最小为0
类似的，当θ0不等于0的时候，此时hθ(x)有2个不为0的参数θ0和θ1，J(θ)的图像可能如下图所示
