我试图将Andrew NG机器学习课程中的线性回归梯度下降算法复制到Python中，但不知为何我的实现无法正确工作。
以下是我的Octave实现，运行正常：
function [theta, J_history] = gradientDescent(X, y, theta, alpha, num_iters)J_history = zeros(num_iters, 1);for iter = 1:num_iters prediction = X*theta; margin_error = prediction - y; gradient = 1/m * (alpha * (X' * margin_error)); theta = theta - gradient; J_history(iter) = computeCost(X, y, theta);endend然而，当我将其翻译成Python时，得到的结果却不准确。成本似乎在上升而不是下降。
以下是我的Python实现：
def gradientDescent(x, y, theta, alpha, iters): m = len(y) J_history = np.matrix(np.zeros((iters,1))) for i in range(iters): prediction = x*theta.T margin_error = prediction - y gradient = 1/m * (alpha * (x.T * margin_error)) theta = theta - gradient J_history[i] = computeCost(x,y,theta) return theta,J_history我的代码能够编译，没有任何问题。请注意这是theta：
theta = np.matrix(np.array([0,0]))Alpha和iters设置为如下值：
alpha = 0.01iters = 1000当我运行opt_theta, cost = gradientDescent(x, y, theta, alpha, iters)并打印opt_theta时，我得到的是：
matrix([[ 2.36890383e+16, -1.40798902e+16], [ 2.47503758e+17, -2.36890383e+16]])而我应该得到的是：
matrix([[-3.24140214, 1.1272942 ]])我哪里做错了？
编辑：
成本函数
def computeCost(x, y, theta):# Get length of data set m = len(y) # We get theta transpose because we are working with a numpy array [0,0] for example prediction = x * theta.T J = 1/(2*m) * np.sum(np.power((prediction - y), 2)) return J回答：
看这里：
>>> A = np.matrix([3,3,3])>>> B = np.matrix([[1,1,1], [2,2,2]])>>> A-Bmatrix([[2, 2, 2], [1, 1, 1]])矩阵是广播在一起的。
“这是因为np.matrix继承自np.array。np.matrix覆盖了乘法运算，但没有覆盖加法和减法”
在你的情况下，theta(1×2)减去gradient(2×1)，结果得到2×2。尝试在减去之前转置gradient。
theta = theta - gradient.T