def gradientDescent(X,y,theta,alpha,num_iters,Lambda):

该函数实现了梯度下降算法，其中：

- X：训练数据集的特征矩阵，大小为 m x n。
- y：训练数据集的标签，大小为 m x 1。
- theta：模型参数，大小为 n x 1。
- alpha：学习率。
- num_iters：迭代次数。
- Lambda：正则化参数。

函数实现的梯度下降算法的过程如下：

1. 初始化参数 theta。
2. 对于每一次迭代，计算代价函数 J 的梯度，更新模型参数 theta。
3. 在每一次迭代之后，计算代价函数 J，记录下来以便后续分析。

函数的完整代码如下：

def gradientDescent(X, y, theta, alpha, num_iters, Lambda):
    m = len(y)
    J_history = np.zeros((num_iters, 1))
    for i in range(num_iters):
        grad = (1 / m) * X.T.dot(X.dot(theta) - y) + (Lambda / m) * theta
        theta = theta - alpha * grad
        J_history[i] = computeCost(X, y, theta, Lambda)
    return theta, J_history

其中，computeCost 函数用于计算代价函数 J，其代码如下：

def computeCost(X, y, theta, Lambda):
    m = len(y)
    J = 1 / (2 * m) * (np.sum((X.dot(theta) - y) ** 2) + Lambda * np.sum(theta[1:] ** 2))
    return J