这几天去在B站学习吴恩达老师的机器学习课程，从最简单的线性代数入手，非常有感觉，今天试着写一篇学习笔记吧，但是多媒体那些画图不怎么会，只好调最重要的讲了。
今天只模拟了一下h\theta(x)=\theta1x,
h\theta(x)=\theta0+\theta1x的情况还不会，毕竟能力有限
简单来说，这里需要一个假设函数来对这些点拟合，设这个假设函数为h\theta(x)=\theta0+\theta1x，为了简便，我使这些点都接近y=x这条直线，此时 \theta0=0。 并把他们保存在数据框df中，其中x=1:6，保存在L1 。L2保存对应的y值
这个假设函数生成的直线拟合这些点时并不是都能和每个点拟合(其实这个名词我不太懂)，所以我们引入一个代价函数J(\theta1)来表示误差。这里设J(\theta1)= 1/2m * sum( (h\theta(x(i))-y(i))2)，为了计算方便，取 \theta1=-50:1:50
代价函数表示出来后需要求 \theta1，不过这个用代码写我好像不怎么会，只知道要不断更新 \theta1
\theta1 :=\theta1- \alpha * J'(\theta)(这里导数不会打)直到导数接近0
代码我写这了
import CSV
using DataFrames
using Plots
df=CSV.read("list.csv")#list.csv保存了原始的x,y数据
list=[x for x in -50:50]#这个list用来辅助下面的symbollist
symbollist=[Symbol(:D,x) for x in list]#用来命名df中的列名
for θ1 in -50:50
df[!,symbollist[θ1+51]] = df[!,:L2] * θ1 #hθ(x) = θ1*x
end
list=Vector{Float64}(undef,101)#名字一样，不过无所谓啦,这里用作代价函数
for i in -50:50
list[i+51] = sum((df[!,symbollist[i+51]] - df[!,:L2]).^2)/50
end
scatter(-50:1:50,list)
这是list.csv
L1,L2
1,1.1
1,0.9
1,1.0
2,2.1
2,2.2
2,1.95
2,1.99
3,2.9
3,2.89
3,2.97
3,2.9
4,3.8
4,4.1
4,4.2
4,3.98
4,3.99
5,4.988
5,4.97
5,5.001
5,5.0
5,5.005
6,6.001
6,5.999
6,6.002
6,5.899
另外这个更新 \theta1的代码有点不想写，有哪位能借我抄一下
顺便问一下有 \theta0时这个代码逻辑是怎么样的？