梯度下降算法的思维过程：
x为训练数据输入值。y为训练数据输出值。θ 为 x的系数，也就是要求的。
1.预测公式 h(x) = ∑θixi 。“使 θ尽可能的准确”，可以理解为理想情况下对每一组样本都有 ( h(x(i)) - y(i) )2 = 0 ，非理想情况下希望 J(θ) = ∑( ( h(x(i)) - y(i) )2 /2 )尽可能小。
2.梯度下降的思路是： 先取一组随机的 θ 值，代入样本数据，通过求导等计算算出能进一步减小J(θ) 的 θ 值。重新 对θ 赋值，再不断进行这个步骤，直到 J(θ) 达到局部最小。
3.这个对 θ 重新赋值的算法是 “ θi := θi - ( aJ(θ) / aθi )” ，后面这一项的意思是 J(θ) 对 θi 求偏导 。假设只有一个训练样本时，计算的结果为 : θi := θi - ( h(x) - y )* xi 。
4.当有m项训练数据时，这个公式就变成了 θi := θi - a∑j:1->m( h(x(j)) - y(j) ) * xi(j) 。这称成为批量梯度下降公式。a表示下降的步长，通常是手工设置。
5.因为当m很大时，每一次下降都要对很大的样本数进行求和，非常耗时，所以有了随机梯度下降公式 ： θi := θi - ( h(x(j)) - y(j) ) * xi(j)。即每一次下降只使用一个样本。
为了简化这个公式以及更加明确对这个它的理解，一下引入了矩阵来重新对它定义。先引入几个公式和表示法。
符号：
▽θ
▽θJ(θ) = [ aJ(θ)/aθ1 , aJ(θ)/aθ2 ... aJ(θ)/aθi ] 意思是，当 θ 为单行矩阵时，对 J(θ) 求导的结果也是一个单行矩阵，矩阵的每一项就是这个式子对当前的 θ 求偏导。
推广到多行矩阵m*n，这个公式表示为：
▽θF(x) =
[
aF(x)/ax11 ... aF(x)/ax1n
...
aF(x)/axm1 ... aF(x)/axmn
]
tr(A)
tr(A) = ∑aii 意思是，对某一矩阵求对角线和。A必须为方矩阵，这称为矩阵的迹。
公式
tr(A) = tr(AT) ; tr(AB) = tr(BA) ; tr(ABC) = tr(CAB) = tr( BCA );
当A是实数时，tr(A) = A;
▽A tr(AB) = BT; ▽A tr(ABATC) = CAB + CTABT;
有了这些公式，下面就能开始使用向量来表示J(θ)了。以下是具体的思路：
1.用 X 来表示训练数据的输入值，这也被称为design matrix;
X =
[
x1(1) ... xn(m)
...
xm(1) ... xn(m)
]
2.用 θ (列向量) 右乘 X。就得到了
Xθ =
[
x(1)θ = h(x(1))
...
x(m)θ = h(x(m))
]
用 Y 表示 输出值得列向量。则
Xθ - Y =
[
h(x(1)) - y(1)
...
h(x(m)) - y(m)
]
3.最厉害的一步来了，利用上面的式子，J(θ) 可以表示成
J(θ) = ( ∑j:1->m( h(x(j)) -y(j) )2 )/2 = (Xθ - Y)T(Xθ - Y) / 2;
4.换个思路来看梯度下降，其实就是求一个θ值，使得该点上任何方向的偏导都为0。也就是▽θJ(θ) = 0。这里的0是一个向量。
5.将式子展开，再利用前面的公式，最后得到神奇的：
XTXθ = XTY 即 θ = (XTX)-1XTY
总结：
1.有很多公式需要自己证明。
2.引入向量和矩阵是为了简化运算。完全去掉梯度下降的迭代过程。
3.最后的结果应该是对h(x)有一定限制的，例如只适合线性的？我需要去验证一下。