梯度下降算法代码python

梯度下降算法是一种常用的优化算法，用于求解函数的最小值。下面是一个用Python实现的梯度下降算法的示例代码：

import numpy as np

def gradient_descent(X, y, learning_rate, num_iterations):
    m = X.shape[0]
    n = X.shape[1]
    theta = np.zeros((n, 1))
    
    for iteration in range(num_iterations):
        gradients = (2/m) * X.T.dot(X.dot(theta) - y)
        theta = theta - learning_rate * gradients
    
    return theta

# 使用示例
X = np.array([[1, 2], [1, 3], [1, 4]])
y = np.array([[3], [4], [5]])
learning_rate = 0.1
num_iterations = 100

theta = gradient_descent(X, y, learning_rate, num_iterations)
print(theta)

这是一个简单的线性回归的梯度下降算法的实现。在这个例子中，我们使用了一个包含两个特征的输入矩阵X和一个输出向量y。算法会根据给定的学习率和迭代次数来更新theta的值，最终输出得到的theta。