📝 增加梯度下降最小化代价原因

Author: lawlite19

readme.md

@@ -11,7 +11,7 @@
 
 - 下面就是要求出theta，使代价最小，即代表我们拟合出来的方程距离真实值最近
 - 共有m条数据，其中![{{{({h_\theta }({x^{(i)}}) - {y^{(i)}})}^2}}](http://chart.apis.google.com/chart?cht=tx&chs=1x0&chf=bg,s,FFFFFF00&chco=000000&chl=%7B%7B%7B%28%7Bh_%5Ctheta%20%7D%28%7Bx%5E%7B%28i%29%7D%7D%29%20-%20%7By%5E%7B%28i%29%7D%7D%29%7D%5E2%7D%7D)代表我们要拟合出来的方程到真实值距离的平方，平方的原因是因为可能有负值，正负可能会抵消
-- 前面有系数2的原因是下面求梯度是对每个变量求偏导，2可以消去
+- 前面有系数`2`的原因是下面求梯度是对每个变量求偏导，`2`可以消去
 
 - 实现代码：
 ```
@@ -34,9 +34,10 @@ def computerCost(X,y,theta):
 - 为什么梯度下降可以逐步减小代价函数
  - 假设函数`f(x)`
  - 泰勒展开：`f(x+△x)=f(x)+f'(x)*△x+o(△x)`
- - 另：`△x=-α*f'(x)`   ,即负梯度方向乘以一个很小的步长`α`
+ - 令：`△x=-α*f'(x)`   ,即负梯度方向乘以一个很小的步长`α`
  - 将`△x`代入泰勒展开式中：`f(x+x)=f(x)-α*[f'(x)]²+o(△x)`
  - 可以看出，`α`是取得很小的正数，`[f'(x)]²`也是整数，所以可以得出：`f(x+△x)<=f(x)`
+ - 所以沿着**负梯度**放下，函数在减小，多维情况一样。
 - 实现代码
 ```
 # 梯度下降算法