对该模型给出解析解、majorization-minimization 优化，并给出收敛曲线

岭回归模型的解析解可以通过以下公式给出：

$$
w = (X^TX + \lambda I)^{-1}X^Ty
$$

其中，$w$是待求解的权重向量，$X$是训练数据的特征矩阵，$y$是训练数据的标签向量，$\lambda$是岭回归算法的超参数，$I$是单位矩阵。

majorization-minimization 优化算法可以被用于求解岭回归问题。该算法的基本思想是：将原问题转化为一个更容易求解的问题，并迭代求解。

具体地，我们可以将岭回归问题转化为以下形式：

$$
\min_{w} f(w) + g(w)
$$

其中，

$$
f(w) = \frac{1}{2}\|Xw - y\|^2
$$

表示数据拟合项，而

$$
g(w) = \frac{\lambda}{2}\|w\|^2
$$

表示正则化项。

然后，我们可以使用majorization技巧，将原问题转化为以下形式：

$$
\min_{w} h(w, w^{(t)}) + g(w)
$$

其中，

$$
h(w, w^{(t)}) = f(w^{(t)}) + \nabla f(w^{(t)})^T(w - w^{(t)}) + \frac{L}{2}\|w - w^{(t)}\|^2
$$

其中，$w^{(t)}$是上一次迭代得到的权重向量，$L$是Lipschitz常数，$\nabla f(w^{(t)})$是$f(w^{(t)})$的梯度。

然后，我们可以使用proximal gradient算法来迭代求解。具体地，我们可以使用以下公式更新权重向量：

$$
w^{(t+1)} = \text{prox}_{\gamma g}(w^{(t)} - \gamma \nabla h(w^{(t)}, w^{(t)}))
$$

其中，$\text{prox}_{\gamma g}$表示$g(w)$的proximal算子，$\gamma$是学习率。

收敛曲线可以通过迭代过程中的目标函数值来绘制。具体地，我们可以在每次迭代后计算目标函数的值，并将其记录下来，最后绘制出收敛曲线。