1.成本函数
如下图所示，在房价预测的案例中，我们得到了预测房价的目标函数，问题也转换成了为模型选择合适的参数θi，即θ0和θ1。
思路是通过选取不同的（θ0,θ1）使得hθ(x)更接近与y,就是hθ(x)和训练集的真实值的误差最小，当这个误差最小的时候，就是我们要的参数值。
通过这个思路，我们得到了一个关于（θ0,θ1）的函数，当这个函数取得最小值的时候，我们就找到了我们要的参数值。
代价函数也被称作平方误差函数，有时也被称为平方误差代价函数。对于大多数问题特别是回归问题，平方误差代价函数都是一个合理的选择。
2.代价函数的直观理解
我们要进一步解释代价函数 J(θ0,θ1) 的工作原理 ，并尝试更直观地解释它在计算什么，以及我们使用它的目的。为了更好的进行说明理解，我们先对问题进行简化，即设置θ0=0。
hθ(x)是一条穿过原点的直线，而成本函数则是一条曲线，当这条曲线取最小值得时候，得到最佳的hθ(x)。
3.代价函数的直观理解2
当我们不对问题进行简化，保留θ0的时候,问题会复杂一些，hθ(x)是一条不经过原点的直线。
对应的成本函数则是一个3D曲面图（弓形函数），θ0,θ1是平面上的两个坐标，而高度则是 J(θ0,θ1)的值。
不过为了使得问题更容易理解，可以使用等高线图来表示成本函数，两者是等价的。可以看出等高线最低点的取值，就是 J(θ0,θ1)的最小值，而此时是拟合训练数据最多的一条直线。
4.如何自动求解 J(θ0,θ1)最小值？
求得 J(θ0,θ1)的最小值，也就得到了最佳的(θ0,θ1)值，也就得到了最佳hθ(x)。不过在实际问题中，我们不可能把这些点画出来，然后用人工的方法来读出这些点的数值。我们会遇到更复杂、更高维度、更多参数的情况，而这些情况是很难画出图的，因此更无法将其可视化，因此我们真正需要的是编写程序，自动的找出这些最小化代价函数的参数值。
最后，课程检测里看到一道思考题：如果存在J(θ0,θ1)=0，意味着什么呢？
