所以这是正则化逻辑回归成本函数的公式：

$x^{(i)}$- 这$i$'th 训练样例

$\theta_j$- 的参数$j$'特征

$m$- 训练样例的数量

$n$- 特征的数量

$y_{(i)}$- 实际结果$i$'th 训练样例，这样$y \in \{0, 1\}$

$\lambda$- 正则化项

$h_\theta$- 在区间内产生预测的假设函数$(0, 1)$

$h_\theta(x^{(i)})$- 的预测值$i$'th 训练示例，例如：

$h_\theta(x^{(i)}) = \sigma(\theta^{T}x^{(i)})$， 在哪里$\sigma(z) = \frac{1}{1+e^{-z}}$（sigmoid/逻辑函数）

我的问题是关于最后一个学期：

据我了解，为了进行正则化，我们需要找到所有参数的平方和$\theta$. 这很清楚。我们还将这个总和乘以正则化项$\lambda$，如果我们认为数据过拟合/欠拟合，我们可以改变它。好的。然后，为方便起见，我们将这个术语除以$2$这样当我们取导数时，我们将摆脱它$2$这将来自指数$\theta$. 到目前为止一切都清楚了。但是，为什么我们还要分$m$（训练示例的数量）？我们将左项除以$m$为了找到平均误差，这是有道理的，因为我们有$m$例子，因此$m$错误，在我们找到这些的总和之后$m$错误，我们需要除以$m$得到平均误差。但是在这个我很困惑的正确术语中，我们找到了特征的平方和，特征的数量是$n$. 如果我们想找到所有的平均值$\theta_j^2$我们不需要除以$n$代替$m$, 因为我们有$n$特征。为什么将总和除以$m$我们不应该把它除以$n$?