原理：wx+b，x是輸入，求得的結果與真實值y求均方誤差。

采用鏈式法則求導

參數更新，梯度下降法（批量梯度下降）

隨機生成數據：

m=100；生成100個數據，并添加隨機噪聲

clear;
W = 10;  %參數初始化
B = 10;  
learning = 0.0001; % 學習率  
m=100;%數據個數
X=linspace(1,10,m);%生成數據
Y = 2 * X + 1+0.7*randn(size(X)); %數據加噪

查看數據分布：

 for i = 1:10000 % 增加迭代次數以更好地擬合模型  % 計算當前模型的輸出  out = W * X + B;  % 計算損失  Loss = sum((out - Y).^2);  % 計算梯度  grad_B = -2 * sum(Y - out);  grad_W = -2 * sum((Y - out) .* X);  % 更新參數  W = W - learning * grad_W;  B = B - learning * grad_B;  
end  

迭代1000次后的結果

W: 2.010807, B: 1.038136

所有代碼：

clear;
W = 10;  %參數初始化
B = 10;  
learning = 0.0001; % 學習率  
m=100;%數據個數
X=linspace(1,10,m);%生成數據
Y = 2 * X + 1+0.7*randn(size(X)); %數據加噪plot(X,Y)
hold on;
% 梯度下降循環  
for i = 1:10000 % 增加迭代次數以更好地擬合模型  % 計算當前模型的輸出  out = W * X + B;  % 計算損失  Loss = sum((out - Y).^2);  % 計算梯度  grad_B = -2 * sum(Y - out);  grad_W = -2 * sum((Y - out) .* X);  % 更新參數  W = W - learning * grad_W;  B = B - learning * grad_B;  
end  plot(X,W.*X+B) 
fprintf('W: %f, B: %f\n', W, B);