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

该函数实现了梯度下降算法，用于线性回归模型中的参数优化。具体来说，输入参数包括：

- X：训练集特征矩阵，大小为 m×n，其中 m 表示样本数，n 表示特征数。
- y：训练集标签，大小为 m×1。
- theta：模型参数，大小为 n×1。
- alpha：学习率。
- num_iters：迭代次数。
- Lambda：正则化系数。

函数实现过程如下：

1. 初始化代价函数 J 和梯度 grad。
2. 进行 num_iters 次迭代，每次迭代更新一次参数 theta。
3. 更新参数 theta 的公式为 theta = theta - alpha * grad，其中 grad 是代价函数 J 对参数 theta 的偏导数。
4. 计算每次迭代后的代价函数 J 和梯度 grad。
5. 返回最终的参数 theta。

具体实现代码如下：

def gradientDescent(X,y,theta,alpha,num_iters,Lambda):
    m = len(y)
    J_history = np.zeros((num_iters,1))
    grad = np.zeros((theta.shape[0],1))
    for i in range(num_iters):
        h = np.dot(X,theta)
        J = np.sum(np.square(h-y))/(2*m) + Lambda*np.sum(np.square(theta))/(2*m)
        grad = np.dot(X.T,h-y)/m + Lambda*theta/m
        grad[0] = grad[0] - Lambda*theta[0]/m
        theta = theta - alpha*grad
        J_history[i] = J
    return theta,J_history

注意，这里使用了 L2 正则化，即在代价函数中加入了对参数的平方惩罚项，从而减少过拟合的风险。具体来说，在计算梯度时需要对每个参数都加上对应的正则化惩罚项，但是对于偏置项 theta0 不应该进行正则化。