从图3可知梯度下降法在MSE模型中的表现最为出色：它大大提高了模型的拟合度（R² = 0.98），并显著减少了预测误差（RMSE = 0.96），表明在没有正则化的情况下，梯度下降法能够精确地拟合训练数据。：基于岭回归（梯度下降法）的预测值表现出相对平滑的趋势，虽然整体趋势和真实值相似，但在一些极值点上偏差较大，未能完全捕捉到真实值的波动，特别是在样本索引10、20附近的波动不明显。基于最小二乘法

从图3可知梯度下降法在MSE模型中的表现最为出色：它大大提高了模型的拟合度（R² = 0.98），并显著减少了预测误差（RMSE = 0.96），表明在没有正则化的情况下，梯度下降法能够精确地拟合训练数据。：基于岭回归（梯度下降法）的预测值表现出相对平滑的趋势，虽然整体趋势和真实值相似，但在一些极值点上偏差较大，未能完全捕捉到真实值的波动，特别是在样本索引10、20附近的波动不明显。基于最小二乘法