目录
一、什么是最小二乘法
二、实战案例
下图是商家广告费与点击量之间散点图，假设存在这样一个前提：投入 的广告费越多，广告的点击量就越高，进而带来访问数的增加，但是他们之间并不是简单的线性关系。
现在问当广告费为200时，它的点击量是多少呢？我们可以先估计一下，取它前后的两个点，估计点击量时在400-600之间。再画图预测一下：
从这个图里面我们可以进一步猜测，大概是在500次左右。高中物理课堂上我们学过拟合函数，即根据给的x-y点，拟合出函数的表达式，为了研究的方便，这里我们就用最简单的一次函数来拟合吧：
通过我们的直觉判断，我们大致可以拟合成这样：
现在我们的目标只要求出θ0和θ1就可以啦！那这个θ0和θ1怎么求呢？我们可以假设θ0=1，θ1=2，那么这个表达式就变成：
这样的话，我们就可以将真实值与我们通过上面的y=1+2x计算出来的值相对比啦！
首先给出最小二乘法误差计算公式：
为了避免引起误解我先 说明一下：x(i) 和 y(i) 中的 i 不是 i 次幂的意思，而是指第 i 个训练数据。前面加上二分之一是为了微分计算方便，可以不加理会，记住这个公式就可以。所有我们上面的误差就可以计算了:
我们可以看到误差达到了112176.5，是一个很大数字，所以我们要做的事就是改变参数θ的值，使得误差E(θ)尽可能小，即修改参数 θ，使这个值变得越来越小。
就是的做法称为最小二乘法！是不是很简单，没有想象中的那么难。
三、总结
上述例子中，我们用一次函数拟合曲线，通过选择不同的参数θ使得误差E(θ)越来越小，则我们称拟合的效果也越来越好。这是比较理想的状态，一次函数是很简单的一种函数表达式，如果我们想要E(θ)更小，拟合效果更好，那么我们需要考虑更加复杂的函数表达式，这就是我们后面所要学习的神经网络——它可以拟合任何曲线！当然这是后话，我们的学习还在进行中!