批量梯度法的python代码

下面是一个使用批量梯度下降法的简单线性回归的Python代码示例：

import numpy as np

def batch_gradient_descent(X, y, learning_rate=0.01, num_iterations=1000):
    m = len(y)  # 样本数
    n = X.shape[1]  # 特征数
    
    # 初始化参数
    theta = np.zeros(n)
    cost_history = []
    
    for iteration in range(num_iterations):
        # 计算预测值
        y_pred = np.dot(X, theta)
        
        # 计算误差和梯度
        error = y_pred - y
        gradient = np.dot(X.T, error) / m
        
        # 更新参数
        theta -= learning_rate * gradient
        
        # 计算损失函数值
        cost = np.sum(error**2) / (2 * m)
        cost_history.append(cost)
        
    return theta, cost_history

# 示例数据
X = np.array([[1, 1], [1, 2], [1, 3], [1, 4]])
y = np.array([2, 3, 4, 5])

# 批量梯度下降
theta, cost_history = batch_gradient_descent(X, y)

print(f"theta: {theta}")
print(f"cost history: {cost_history}")

这是一个简单的线性回归问题，使用批量梯度下降法更新参数。函数`batch_gradient_descent`接受输入特征矩阵`X`和目标值向量`y`，同时可以设置学习率`learning_rate`和迭代次数`num_iterations`。函数返回训练后的参数`theta`和每次迭代的损失函数值`cost_history`。在示例中，我们使用了一个包含两个特征的简单数据集进行演示。