線性回歸算法（用直線來拟合資料）
h0(x)=θ0+θ1*x,要想h0（預測值）接近y（實際值），也就是使得預測值和實際值的平方誤差和最小，可用平方代價誤差函數來解決。
平方代價誤差函數說明：平方是為了保證正值，二分之一m的目的是求導（計算變化率）後消掉系數。（假設h,參數θ，代價函數J，優化目标）
如何進行機器學習？如何确定θ（0），θ（1）？此處測試資料集有（1，1），（2，2），（3，3）三個點。分别對θ（0），θ（1）取不同的值，調用平方代價誤差函數，計算出目标值，找到最小的目标值，學習完畢。
梯度下降算法：找到局部最優解。
我們爬山的時候，想要找到一條最短的下山山路。可以發現，站在不同位置找的路是不一樣的。
梯度下降算法：
‘’：=‘’表示指派，α是一個數字，被稱為學習速率（步長）。如下山的時候，我們邁出的步子很大，α就很大，否則α就很小。
此公式的意義是：我們處在θj點，要走到J的最小值點，然後走一段距離步長，達到另一個θj方向。梯度乘一個負号是因為朝着梯度（微分，代表着某個給定切點的斜率）的反方向前進。
導數相當于斜率，當斜率為正數時，θ1減小，反之，θ1增加。當斜率為負數時，θ1更大了。但導數為0，即斜率與x軸平行時，找到最低點。
α的如何取值呢？假如α過小，求梯度下降會很緩慢，慢慢慢慢到達最低點。如果α過大，可能無法收斂。因為它很可能邁一大步後斜率從負變成正，經過計算又到達負，依次類推。α取值不宜過大過小。
應用于線性回歸的的梯度下降算法