梯度下降法 python_python实现梯度下降法

好的，我理解了你的要求。以下是 Python 实现梯度下降法的代码：

import numpy as np

def gradient_descent(X, y, theta, alpha, num_iters):
    """
    X: 输入特征矩阵
    y: 输出标签向量
    theta: 参数向量
    alpha: 学习率
    num_iters: 迭代次数
    """
    m = len(y)
    for i in range(num_iters):
        h = np.dot(X, theta)
        loss = h - y
        gradient = np.dot(X.T, loss) / m
        theta = theta - alpha * gradient
    return theta

这个函数接受四个参数：输入特征矩阵 `X`、输出标签向量 `y`、参数向量 `theta`、学习率 `alpha` 和迭代次数 `num_iters`。在函数内部，使用 `for` 循环来进行迭代，每次迭代计算模型预测值 `h`，然后计算损失 `loss` 和梯度 `gradient`。最后更新参数向量 `theta`，返回更新后的参数向量。

需要注意的是，在使用这个函数之前，需要先对输入特征矩阵 `X` 进行预处理，将所有特征值归一化到相同的尺度，以避免在梯度下降过程中出现数值不稳定的情况。