问题描述：根据房屋大小预测房价。两个数据如下：
1.调用相关库。numpy是一个流行的科学计算库，Matplotlib是一个流行的数据绘图库，lab_utils_uni.py是本地绘图例程。
import numpy as np
%matplotlib widget
import matplotlib.pyplot as plt
from lab_utils_uni import plt_intuition, plt_stationary, plt_update_onclick, soup_bowl
plt.style.use('./deeplearning.mplstyle')
2.创建x_train和y_train变量，数据存储在一维numpy数组中。
x_train = np.array([1.0, 2.0]) #(size in 1000 square feet) y_train = np.array([300.0, 500.0]) #(price in 1000s of dollars)
3.计算成本。成本用来衡量模型预测房屋目标价格的好坏，是衡量模型对训练数据准确程度的标准。
具有一个变量的成本方程为：
其中
通过遍历每个示例来计算成本。
def compute_cost(x, y, w, b):
"""
Computes the cost function for linear regression.
Args:
x (ndarray (m,)): Data, m examples
y (ndarray (m,)): target values
w,b (scalar) : model parameters
Returns
total_cost (float): The cost of using w,b as the parameters for linear regression
to fit the data points in x and y
"""
# number of training examples
m = x.shape[0]
cost_sum = 0
for i in range(m):
f_wb = w * x[i] + b
cost = (f_wb - y[i]) ** 2
cost_sum = cost_sum + cost
total_cost = (1 / (2 * m)) * cost_sum
return total_cost
4.选择w和b使得成本函数为零或最小。这里我们设置b=100，通过滑块控件选择w是成本最小化。
plt_intuition(x_train,y_train)
当w=200时，成本最小
5.通过3D绘图或使用等高线图来了解成本如何随w和b变化。
使用更多的数据点。
x_train = np.array([1.0, 1.7, 2.0, 2.5, 3.0, 3.2]) y_train = np.array([250, 300, 480, 430, 630, 730,])
plt.close('all')
fig, ax, dyn_items = plt_stationary(x_train, y_train)
updater = plt_update_onclick(fig, ax, x_train, y_train, dyn_items)
w=209，b=2.4时成本最低。
6.平方损失的成本函数确保“误差曲面”像汤碗一样是凸起的，它总有一个最小值，可以通过在所有维度上跟随梯度来达到。
soup_bowl()
小结：成本函数提供了预测与训练数据匹配程度的衡量标准，通过提供最佳的w,b使成本最小化。
程序源码：
链接：https://pan.baidu.com/s/1qk_MYfIL386WHMQJW7oDZg
提取码：0000
