梯度下降代码实现python

梯度下降是一种常用的优化算法，用于求解函数的最小值。下面是一个简单的梯度下降的代码实现示例（使用Python语言）：

import numpy as np

def gradient_descent(X, y, learning_rate, num_iterations):
    num_samples, num_features = X.shape
    theta = np.zeros(num_features)  # 初始化参数向量

    for i in range(num_iterations):
        # 计算预测值
        y_pred = np.dot(X, theta)

        # 计算误差
        error = y_pred - y

        # 计算梯度
        gradient = np.dot(X.T, error) / num_samples

        # 更新参数
        theta -= learning_rate * gradient

    return theta

# 示例用法
X = np.array([[1, 2], [3, 4], [5, 6]])  # 特征矩阵
y = np.array([3, 5, 7])  # 目标值向量
learning_rate = 0.01  # 学习率
num_iterations = 1000  # 迭代次数

theta = gradient_descent(X, y, learning_rate, num_iterations)
print("最优参数：", theta)

上述代码中，`gradient_descent` 函数接受特征矩阵 `X`、目标值向量 `y`、学习率 `learning_rate` 和迭代次数 `num_iterations` 作为输入参数。在每次迭代中，根据当前参数向量 `theta` 计算预测值 `y_pred`，然后计算误差 `error` 和梯度 `gradient`，最后更新参数向量 `theta`。最终返回得到的最优参数向量。

注意：上述代码仅为示例，实际应用中可能需要根据具体问题进行适当的修改和调整。