梯度下降法 matlab代码

可以使用以下的梯度下降法的matlab代码来优化一个多维函数：

function [theta, J_history = gradientDescent(X, y, theta, alpha, num_iters)
% X: 特征矩阵
% y: 目标变量向量
% theta: 参数向量
% alpha: 学习率
% num_iters: 迭代次数

m = length(y); % 样本数量
J_history = zeros(num_iters, 1); % 记录每次迭代的代价函数值

for iter = 1:num_iters
    % 计算假设函数预测值
    h = X * theta;
    
    % 更新参数向量
    theta = theta - (alpha / m) * X' * (h - y);
    
    % 计算代价函数值
    J = (1 / (2 * m)) * sum((h - y).^2);
    J_history(iter) = J;
end

end

这段代码实现了梯度下降算法来最小化代价函数。它接受特征矩阵X，目标变量向量y，参数向量theta，学习率alpha和迭代次数num_iters作为输入。在每次迭代中，它计算假设函数的预测值，然后更新参数向量theta。最后，它计算代价函数的值并将其记录下来。返回更新后的参数向量theta和每次迭代的代价函数值J_history。

这段代码可以用于求解多种问题，包括线性回归和逻辑回归等。在逻辑回归的情况下，可以将特征矩阵X和目标变量向量y设置为合适的值，并选择合适的学习率和迭代次数来进行训练。

希望以上代码对您有帮助！