#根据公式自己编写回归程序 #最小二乘与梯度法均可 #建议两者均实现以对比 def my_linear_model(X_train, y_train, X_test): pass

好的，以下是根据公式自己编写回归程序的代码，包括最小二乘法和梯度下降法两种实现方式：

import numpy as np

# 最小二乘法
def least_squares(X, y):
    # 计算 w = (X^T X)^-1 X^T y
    w = np.linalg.inv(X.T @ X) @ X.T @ y
    return w

# 梯度下降法
def gradient_descent(X, y, lr=0.01, epochs=1000):
    # 初始化 w 和 b 为 0
    w = np.zeros((X.shape[1], 1))
    b = 0
    # 进行 epochs 次迭代
    for i in range(epochs):
        # 计算预测值 y_hat
        y_hat = X @ w + b
        # 计算误差 e
        e = y_hat - y
        # 计算梯度
        dw = X.T @ e
        db = np.sum(e)
        # 更新参数
        w -= lr * dw
        b -= lr * db
    return w, b

# 处理训练数据
X_train = np.array(X_train).reshape(-1, 1)
y_train = np.array(y_train).reshape(-1, 1)

# 计算 X 和 y 的均值
X_mean = np.mean(X_train)
y_mean = np.mean(y_train)

# 计算 X 和 y 的标准差
X_std = np.std(X_train)
y_std = np.std(y_train)

# 对 X 和 y 进行标准化
X_train = (X_train - X_mean) / X_std
y_train = (y_train - y_mean) / y_std

# 添加一列全为 1 的常数列
X_train = np.concatenate([np.ones((X_train.shape[0], 1)), X_train], axis=1)

# 计算参数 w
w_least_squares = least_squares(X_train, y_train)
w_gradient_descent, b_gradient_descent = gradient_descent(X_train, y_train)

# 处理测试数据
X_test = np.array(X_test).reshape(-1, 1)

# 对测试数据进行标准化
X_test = (X_test - X_mean) / X_std

# 添加一列全为 1 的常数列
X_test = np.concatenate([np.ones((X_test.shape[0], 1)), X_test], axis=1)

# 计算预测值 y_pred
y_pred_least_squares = X_test @ w_least_squares * y_std + y_mean
y_pred_gradient_descent = X_test @ w_gradient_descent * y_std + y_mean

# 输出预测值
print("最小二乘法预测结果：", y_pred_least_squares)
print("梯度下降法预测结果：", y_pred_gradient_descent)

在以上代码中，首先对训练数据进行了标准化处理，然后使用最小二乘法和梯度下降法分别求出了参数 w。接着，对测试数据进行了标准化处理，并使用求出的参数 w 对测试数据进行了预测，最后输出了预测结果。

希望这份代码可以帮到您！