只有一个超参数为学习率，学习率[0.01,0.001,0.0001],对学习率用交叉验证的方法，对梯度下降选择最佳学习率，代价函数为均方差损失函数，用cross_val_score函数得出交叉验证得分，用python实现

以下是使用Python实现的代码：

from sklearn.datasets import load_diabetes
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import cross_val_score

# 加载糖尿病数据集
X, y = load_diabetes(return_X_y=True)

# 定义超参数学习率列表
learning_rates = [0.01, 0.001, 0.0001]

# 遍历学习率列表
for lr in learning_rates:
    # 创建线性回归模型，使用梯度下降算法和均方差损失函数
    model = LinearRegression(fit_intercept=True, solver='sgd', learning_rate='constant', eta0=lr, loss='mse')
    # 使用交叉验证得分评估模型性能
    scores = cross_val_score(model, X, y, cv=5, scoring='neg_mean_squared_error')
    # 计算平均得分并输出
    avg_score = -1.0 * scores.mean()
    print("Learning rate: %.4f, Avg. MSE: %.4f" % (lr, avg_score))

代码中使用`load_diabetes`函数加载糖尿病数据集，然后遍历学习率列表，对于每个学习率，使用`LinearRegression`类创建线性回归模型，使用交叉验证得分评估模型性能，最后计算平均得分并输出。