机器学习梯度下降算法的Python实现

以下是一个简单的机器学习梯度下降算法的Python实现示例：

import numpy as np

# 定义梯度下降函数
def gradient_descent(X, y, learning_rate=0.01, num_iterations=1000):
    num_samples, num_features = X.shape
    theta = np.zeros(num_features)
    for iteration in range(num_iterations):
        # 计算梯度
        gradients = np.dot(X.T, (np.dot(X, theta) - y)) / num_samples
        # 更新权重
        theta = theta - learning_rate * gradients
    return theta

# 创建训练数据
X = np.array([[1, 1], [1, 2], [1, 3], [1, 4]])
y = np.array([2, 3, 4, 5])

# 使用梯度下降算法进行训练
theta = gradient_descent(X, y)

# 打印结果
print("权重：", theta)

这个示例中，我们定义了一个gradient_descent函数来执行梯度下降算法。该函数接受输入特征X和目标变量y，并使用给定的学习率和迭代次数进行训练。在每次迭代中，我们计算梯度并更新权重。最后，我们输出训练得到的权重。

在这个示例中，我们使用一个简单的线性回归问题来演示梯度下降算法的实现。特征矩阵X包含两列，分别是1和输入特征。目标变量y是要预测的值。通过调用gradient_descent函数，我们可以得到训练得到的权重theta。

请注意，这只是一个简单的示例，实际的梯度下降算法可能会有更多的优化和改进。