必须越小越好。
现在就将目标转换为求解最小二乘法。
二、求解最小二乘法从上面的推导可以得出结论：要求让似然函数越大越好，可转化为求θ取某个值时使J(θ)最小的问题。
求解最小二乘法的方法一般为两种：矩阵式、梯度下降法。
1、矩阵式求解数据集含有m个样本，每个样本有n个特征时：
- 数据x可以写成m*(n 1)维的矩阵（ 1是添加一列1，用于与截断b相乘）；
- θ则为n 1维的列向量（ 1是截断b）；
- y为m维的列向量代表每m个样本结果的预测值。
矩阵式的推导如下所示：
让J(θ)对θ求偏导，当偏导等于零时，则这个θ就是极值点。XT代表X矩阵的转置，XT与X的乘积一定会得到一个对称阵。
另外存在公式： θTXTXθ 等于 2XTXθ。
XTX的逆矩阵为：(XTX)-1 ，将这个逆矩阵分别乘到偏导结果等式两边，左边期望是零，推导得到：
0 = θ - (XTX)-1 · XTy，转换等式得到：θ=(XTX)-1XTy
这种方法存在的问题：不存在学习的过程；矩阵求逆不是一个必然成功的行为（存在不可逆）；
2、梯度下降法(GD)目标函数：
对于多元线性回归来说，拟合函数为：
