梯度梯度法matlab实现

梯度下降法（Gradient Descent）是一种常用的优化算法，它通过迭代的方式不断调整参数，使得目标函数的值不断降低。Matlab中可以使用以下代码实现梯度下降法：

function [theta, J_history] = gradientDescent(X, y, theta, alpha, num_iters)

m = length(y); % number of training examples
J_history = zeros(num_iters, 1);

for iter = 1:num_iters

    % Perform a single gradient step on the parameter vector theta

    % Compute hypothesis function
    h = X * theta;

    % Compute error
    error = h - y;

    % Compute gradient vector
    gradient = X' * error / m;

    % Update parameter vector
    theta = theta - alpha * gradient;

    % Save the cost J in every iteration    
    J_history(iter) = computeCost(X, y, theta);

end

end

其中，X和y是训练数据和标签，theta是模型参数，alpha是学习率（步长），num_iters是迭代次数。computeCost是计算代价函数（损失函数）的函数，具体实现可以参考下面的代码：

function J = computeCost(X, y, theta)

m = length(y); % number of training examples
h = X * theta; % hypothesis function
squared_error = (h - y) .^ 2; % squared error
J = 1 / (2 * m) * sum(squared_error); % cost function

end