批量梯度下降法（Batch Gradient Descent）

批量梯度下降：在梯度下降的每一步中都用到了所有的训练样本。

思想：找能使代价函数减小最大的下降方向（梯度方向）。

　　　　ΔΘ = - α▽J      α：学习速率

梯度下降的线性回归

　　线性模型的代价函数：

　　对于更新项，为什么是 - α▽J ：

　　Θ如果在极值点右边，偏导大于0，则Θ要减去偏导的值（Θ偏大，减去一个正值）

　　Θ如果在极值点左边，偏导小于0，则Θ要减去偏导的值（Θ偏小，减去一个负值）

　　实现方法：同步更新每个Θ

　　特点：梯度下降法即使α取很大也可以收敛到局部最小值。

　　　　　随着算法的进行，越接近最小值点偏导的那一项越小，Θ的变化量也就越小。

　　图中可以看出，初始Θ取粉色点所在的值，随着算法的进行步长越来越小。