用Python写一个梯度下降法，并线性回归显示 点

我可以回答这个问题。梯度下降法是一种常用的优化算法，用于求解损失函数的最小值。在线性回归中，我们可以使用梯度下降法来求解最小二乘法的参数。以下是一个用Python实现梯度下降法的示例代码：

import numpy as np

# 定义损失函数
def loss_function(X, y, theta):
    m = len(y)
    J = np.sum((X.dot(theta) - y) ** 2) / (2 * m)
    return J

# 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)
    for i in range(num_iters):
        theta = theta - alpha * (X.T.dot(X.dot(theta) - y)) / m
        J_history[i] = loss_function(X, y, theta)
    return theta, J_history

# 生成随机数据
X = 2 * np.random.rand(100, 1)
y = 4 + 3 * X + np.random.randn(100, 1)

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

# 初始化参数
theta = np.random.randn(2, 1)

# 设置学习率和迭代次数
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)

# 打印最终参数和损失函数值
print("最终权重：", theta)
print("损失函数值：", J_history[-1])

# 绘制线性回归图像
import matplotlib.pyplot as plt

plt.scatter(X, y)
plt.plot(X, X_b.dot(theta), 'r-')
plt.show()

这段代码会生成一些随机数据，并使用梯度下降法求解最小二乘法的参数。最后，它会绘制出线性回归的图像。