📊 在机器学习和统计学中，我们经常需要通过代价函数来评估模型的好坏。这里我们将探讨如何使用Python中的matplotlib库绘制代价函数。绘制代价函数不仅能帮助我们直观地理解函数的变化趋势，还能让我们更好地优化模型参数。

📈 首先，我们需要定义一个简单的代价函数。例如，我们可以选择一个二次函数作为示例，因为它具有典型的U形曲线，非常适合用来说明问题。这个函数可以表示为：

\[ J(\theta) = \theta^2 + 5\theta + 6 \]

接下来，我们需要创建一个θ值的范围，然后计算对应的代价函数值。这可以通过NumPy数组轻松实现：

```python

import numpy as np

import matplotlib.pyplot as plt

定义θ的取值范围

theta = np.linspace(-10, 10, 400)

计算代价函数值

cost = theta 2 + 5 theta + 6

```

🎨 然后，我们可以使用matplotlib来绘制这个函数图：

```python

plt.figure(figsize=(10, 6))

plt.plot(theta, cost, label='Cost Function')

plt.title('Plot of the Cost Function')

plt.xlabel('θ')

plt.ylabel('J(θ)')

plt.legend()

plt.grid(True)

plt.show()

```

🎉 通过上述步骤，我们成功绘制出了代价函数的图像。这种可视化方法对于理解函数的行为非常有帮助，尤其是在调整模型参数时。希望这篇简短的指南能帮助你更好地掌握如何绘制和分析代价函数。