给出下面代码注释def batch_gradientDescent(X, y, w, alpha, iters): temp = np.matrix(np.zeros(w.shape)) parameters = int(w.ravel().shape[1]) cost = np.zeros(iters) for i in range(iters): error = (X * w.T) - y for j in range(parameters): term = np.multiply(error, X[:, j]) temp[0, j] = w[0, j] - ((alpha / len(X)) * np.sum(term)) w = temp cost[i] = computeCost(X, y, w) return w, cost

这是一段代码，用于实现批量梯度下降算法，对于给定的输入数据 X 和标签 y，通过不断更新参数 w，来最小化损失函数。其中 alpha 是学习率，iters 是迭代次数。函数返回最终的参数 w 和每次迭代的损失值 cost。