生成批量梯度下降python代码

以下是一个简单的批量梯度下降的 Python 代码示例：

import numpy as np

# 定义数据集
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])
y = np.array([0, 1, 1, 0])

# 定义模型参数
theta = np.zeros(X.shape[1])

# 定义学习率和迭代次数
alpha = 0.01
num_iters = 1000

# 批量梯度下降
for i in range(num_iters):
    h = 1 / (1 + np.exp(-np.dot(X, theta)))
    gradient = np.dot(X.T, (h - y)) / y.size
    theta -= alpha * gradient

# 输出最终的模型参数
print(theta)

这段代码实现了一个简单的逻辑回归模型，使用批量梯度下降算法来优化模型参数。其中，X 是输入数据集，y 是对应的标签，theta 是模型参数，alpha 是学习率，num_iters 是迭代次数。在每一次迭代中，我们计算模型的预测值 h，然后计算梯度 gradient，并更新模型参数 theta。最终，我们输出最终的模型参数。