基本概念
用于训练模型的数据集称为：训练集
成本函数/代价函数：指示模型的运行情况，用于衡量训练数据与该直线的拟合程度。将预测值和目标值做差，该差值也被称为“损失值”。
例如我们需要计算平均的平方误差来衡量
成本函数/平方误差成本函数：（假设训练集中一共有m组的数据，将每个数据的预测值和真实值做差后取平方，然后求和再除以数量m，即可得到平均值。其中再多除以2是为了使数据更好看，不除以2也同样可以表示成本函数，用J（w，b）来表示）
同时由于y的预测值，也就是第一个y，本身是f(x)=wx+b的输出，也可以写成如下形式
模型：例如模型为f(x)=wx+b 那么w和b就是在训练期间需要调整来改变模型的变量，w和b也可以被称为系数/权重
监督学习
提供具体正确答案的数据来对模型进行训练，后续用这个模型来对未知的数据进行预测。
线性回归模型
概念：为给定的数据拟合一条直线。输出的结果是数字的形式，其可能有无限多种可能的数字的输出结果，相比于分类的模型。
分类模型
基于类别来进行预测，例如预测图片中是猫还是狗这种。由于种类有些，所以其输出一般都是少量的类型，如猫/狗。