梯度下降在机器学习中是一种常用的优化算法，用于求解最小化损失函数的问题。其具体步骤如下：

1. 初始化参数

  • 创建一个与输入矩阵 和输出矩阵 相关的矩阵 。
  • 数学表达式为：

本题初始化参数为0，但在实际使用中更常见的是使用随机初始化。

2. 计算梯度

  • 计算损失函数 对参数 的梯度 。
  • 数学表达式为：

本题使用的损失函数为均方误差，即：

其中， 是预测值， 是真实值， 是样本数量。 因此，梯度为： 值得注意是，均方误差有两种形式，区别在于是否乘以1/2，本题使用的是乘以1/2的形式，这种形式的好处在于求梯度时可以消去1/2，使得计算更加简洁。

3. 更新参数

  • 更新参数 。
  • 数学表达式为：

值得注意的是，梯度下降有三种形式，分别是批量梯度下降、随机梯度下降和mini-batch梯度下降。

标准代码如下

def linear_regression_gradient_descent(X, y, alpha, iterations):
    m, n = X.shape
    # 初始化权重
    theta = np.zeros((n, 1))
    for _ in range(iterations):
        predictions = X @ theta
        errors = predictions - y.reshape(-1, 1)
        updates = X.T @ errors / m
        theta -= alpha * updates
    return np.round(theta.flatten(), 4)