帮我写一个机器学习的例子代码

当然可以，以下是一个简单的线性回归的机器学习代码：

import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed(0)
X = np.random.rand(100, 1)
y = 2 + 3 * X + np.random.rand(100, 1)

# 绘制数据散点图
plt.scatter(X, y, s=10)
plt.xlabel('X')
plt.ylabel('y')
plt.show()

# 初始化参数
theta = np.random.randn(2, 1)

# 定义代价函数
def compute_cost(X, y, theta):
    m = len(y)
    cost = np.sum((X.dot(theta) - y) ** 2) / (2 * m)
    return cost

# 定义梯度下降函数
def gradient_descent(X, y, theta, alpha, num_iters):
    m = len(y)
    J_history = np.zeros((num_iters, 1))
    for i in range(num_iters):
        theta = theta - alpha * X.T.dot(X.dot(theta) - y) / m
        J_history[i] = compute_cost(X, y, theta)
    return theta, J_history

# 添加偏置项
X_b = np.c_[np.ones((100, 1)), X]

# 初始化学习率和迭代次数
alpha = 0.1
num_iters = 1000

# 运行梯度下降算法
theta, J_history = gradient_descent(X_b, y, theta, alpha, num_iters)

# 绘制代价函数的变化曲线
plt.plot(J_history)
plt.xlabel('Iterations')
plt.ylabel('Cost')
plt.show()

# 绘制拟合直线
plt.scatter(X, y, s=10)
plt.plot(X, X_b.dot(theta), color='r')
plt.xlabel('X')
plt.ylabel('y')
plt.show()

这个代码实现了一个简单的线性回归模型，使用随机生成的数据进行训练，并绘制了数据散点图、代价函数的变化曲线和拟合直线。