其实线性回归不过就是在做两件事，画一条线并判断这条线到各个点的距离。
如下图：
其中这条线便是距离各个点距离总和最小的直线。
也就是e+u+w+b+a总和在直线为这个情况下最小。
但是什么时候这条线是我们需要的线呢？-- 线到各个点最短的时候便是。
我们先理解一下什么是凹函数： 凹函数即为在一定范围内，仅有一个最低点。并且不存在局部最低点。
我们的线性回归方程
其中y^ i(x) - yi 是差值 进行累加。 最终结果最小的时候便是我们想要的结果。
我们改写为J（Θ） = (∑N i=0) （hi(x) - yi(x))^2;
其中我们应该知道h（x） = w0x+w1; 其实就是我们的简单二维直线方程；
接下来我们思考一个问题。是否随着直线 w0，和w1的变化 J（Θ）会随之增大减小？
很明显，是的。因为它是个凹函数：如下图
很好，我们接下来继续设计这个程序。
既然我们知道凹函数了，那我们只需要找到其中的最低点就好了。
那么很简单，我们对w0，w1求偏导即可。这里我们可以把函数改为J（Θ） =1/2 (∑N i=0) （hi(x) - yi(x))^2;方便我们求偏导
这个函数将为我们后来的梯度下降进行服务。
我们总结一下线性回归，其实就是取一条线，然后得到h(x)-y(x)的值进行累加，最后取h(x)为什么形式时候能得到最小值。
