用Python写出梯度下降算法的代码

以下代码实现了一个梯度下降算法，用于求解线性回归模型中的最优参数向量。该算法通过不断迭代更新参数向量，使得每次更新后的参数都能够让代价函数（损失函数）值最小化，从而找到最优参数向量。其中，特征矩阵X包含m行n列，目标变量y包含m行1列，参数向量theta包含n行1列，学习率alpha和迭代次数num_iters是算法调节的超参数。

下面是一个使用Python实现梯度下降算法的示例代码：

import numpy as np

def gradient_descent(X, y, theta, alpha, num_iters):
    """
    梯度下降算法
    :param X: 特征矩阵，包含m行n列，其中m为样本数，n为特征数
    :param y: 目标变量，包含m行1列
    :param theta: 参数向量，包含n行1列
    :param alpha: 学习率
    :param num_iters: 迭代次数
    :return: 最优参数向量
    """
    m = len(y)
    for i in range(num_iters):
        h = np.dot(X, theta)
        delta = np.dot(X.T, h - y) / m
        theta -= alpha * delta
    return theta

在调用此函数时，需要传入特征矩阵X、目标变量y、学习率alpha和迭代次数num_iters等参数。函数将返回最优参数向量theta，即使得代价函数（损失函数）最小化的参数值。