得到神经网络的损失函数和下降梯度之后，再用优化函数fmincg找到最佳的参数。
作业五
题目解析:水坝放水量与水位变化之间关系，水位变化的历史记录为x,放水量为y。交叉验证数据Xval, yval。理论内容是关于偏差、方差以及学习曲线为代表的诊断法，为改善机器学习算法的决策提供依据；此处分为两个部分。 第一部分：拟合直线回归
只有两个参数，主要完成损失函数和下降梯度计算函数，最后用优化函数求出最佳参数，但是从拟合结果看不理想。此处不用λ，因为仅有两个参数，不存在过拟合的可能。
第二部分：偏差与方法的平衡
一般而言高偏差意味着欠拟合，高方差意味着过拟合，Error = Bias + Variance。Error反映的是整个模型的准确度，Bias反映的是模型期望与真实目标的差距，即模型本身的精准度，Variance反映的是模型每一次输出结果与模型输出期望之间的误差，即模型的稳定性。
利用学习曲线评价模型，推进模型的构建。通过不断加大训练数据，在不同的数据量时得到的参数模型，计算该参数模型的训练误差和交叉验证误差，观察其随着数据量增大是否有变化，从结果来看，在参数数量很少情况下，模型误差随着数据量的增大并无明显改善。
多项式回归
首先要把特征向量x拓展,polyFeatures.m需要将线性回归进行扩展，引入高次项，具体做法是将原本是向量的X扩展成行数不变，列数为多项式最高次的矩阵，此处选择了最高8次项。
其次，以防数据经过高次项的计算加大计算量，要进行数据归一化，用函数featureNormalize.m,
接下来，不断调整λ的值，通过学习曲线和回归拟合结果来观察过拟合与欠拟合的现象。
最后，通过函数validationCurve.m来选择最适合的λ