梯度下降算法 java 完整代码

以下是一个简单的梯度下降算法的 Java 代码实现：

public class GradientDescent {
    
    public static void main(String[] args) {
        // 定义样本数据
        double[][] data = {{1, 2, 3}, {1, 3, 5}, {1, 4, 7}, {1, 5, 9}};
        double[] label = {5, 7, 9, 11};
        // 定义初始参数值
        double[] theta = {0, 0, 0};
        // 定义学习率
        double alpha = 0.01;
        // 定义迭代次数
        int iterations = 1000;
        // 进行梯度下降
        for (int i = 0; i < iterations; i++) {
            double[] gradient = new double[theta.length];
            for (int j = 0; j < data.length; j++) {
                double[] x = data[j];
                double h = hypothesis(theta, x);
                double error = h - label[j];
                for (int k = 0; k < gradient.length; k++) {
                    gradient[k] += error * x[k];
                }
            }
            for (int k = 0; k < theta.length; k++) {
                theta[k] -= alpha * gradient[k];
            }
        }
        // 输出最终参数值
        System.out.println(Arrays.toString(theta));
    }
    
    // 假设函数
    public static double hypothesis(double[] theta, double[] x) {
        double h = 0;
        for (int i = 0; i < theta.length; i++) {
            h += theta[i] * x[i];
        }
        return h;
    }
}

这段代码实现了一个简单的线性回归模型，使用梯度下降算法求解最优参数值。其中，样本数据为一个二维数组，每一行表示一个样本，第一列为常数项，后面的列为特征值；标签为一个一维数组，表示每个样本的标签值；初始参数值为一个一维数组，学习率和迭代次数为指定的值。在迭代过程中，通过计算梯度来更新参数值，最终输出最优参数值。