梯度下降法的matlab代码，包括最小二乘法，梯度下降法的矩阵形式

包括单特征的样本的最小二乘法计算， 单特征样本的梯度下降法--代数版本 多特征样本的梯度下降--矩阵运算表示。 在矩阵表示的梯度下降法中运用标准差归一化（可选择注释）。 有比较详细的注释

clear;
clc;
X=[0123456];
Y=[01.12.22.74.14.95.6];
%最小二乘法
XY_ = mean（X.*Y）;
X_Y_ = mean（X）*mean（Y）;
X2_ = mean（X.*X）;
X_2 = mean（X）*mean（X）;
a=（XY_-X_Y_）/（X2_-X_2）;
Y_ = mean（Y）;
X_ = mean（X）;
b=Y_-a*X_;
%显示，画图
% figure;
% scatter（XY）;
% hold on;
% x=0:0.1:6;
% y=a*x+b;

%梯度下降法
a1 = 0;
b1 = 0;
s = 0.01;
delt = 0.01;
as = -XY_+a1*X2_+b*X_;
bs = -Y_+a1*X_+b1;
while abs（as）>delt || abs（bs）>delt
    a1 = a1-s*as;
    b1 = b1-s*bs;
    as = -XY_+a1*X2_+b*X_;
    bs = -Y_+a1*X_+b1;
end;
%显示，画图
% x1=0:0.1:6;
% y1=a1*x1+b1;
% plot（xy‘r‘x1y1‘y‘）;

%多维特征样本的矩阵梯度下降法

%y代表样本结果，它是一个m行，1列的矩阵，m代表样本数目
y=[0;1.1;2.2;2.7;4.1;4.9;5.6];

%x_ 代表样本训练输入数据，它是一个m行，n列的矩阵，m代表样本数目，n代表特征数目
%此时为单特征矩阵
x_=[0;1;2;3;4;5;6];
[mn]=size（x_）;

%在这一部分程序是对每个特征的数据进行标准差归一化，有助于设置步长，阈值等参数
%这样可以统一样本特征数据范围，使迭代次数加快
%那么对于使用最