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_;
%顯示，畫圖
%?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;
%顯示，畫圖
%?x1=0:0.1:6;
%?y1=a1*x1+b1;
%?plot（xy‘r‘x1y1‘y‘）;

%多維特征樣本的矩陣梯度下降法

%y代表樣本結(jié)果，它是一個(gè)m行，1列的矩陣，m代表樣本數(shù)目
y=[0;1.1;2.2;2.7;4.1;4.9;5.6];

%x_?代表樣本訓(xùn)練輸入數(shù)據(jù)，它是一個(gè)m行，n列的矩陣，m代表樣本數(shù)目，n代表特征數(shù)目
%此時(shí)為單特征矩陣
x_=[0;1;2;3;4;5;6];
[mn]=size（x_）;

%在這一部分程序是對(duì)每個(gè)特征的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)差歸一化，有助于設(shè)置步長，閾值等參數(shù)
%這樣可以統(tǒng)一樣本特征數(shù)據(jù)范圍，使迭代次數(shù)加快
%那么對(duì)于使用最