```python
#线性回归算法：
#加载数据文件
#数据预处理
#建立模型f(x)=wx+b
#定义损失函数
#判断数据量和特征值大小
#如果大，损失函数用梯度下降法
#如果小，用最小二乘法
#进行参数求解
#模型检测
#经济预测
#结束

import numpy as np
from scipy import stats
import matplotlib.pyplot as plt

#加载数据
x = np.arange(0.,10.,0.2)   #x=[0.  0.2 0.4 0.6 0.8 1.  1.2 1.4 1.6 1.8 2.  2.2 2.4 2.6 2.8 3.  3.2 3.4
                            # 3.6 3.8 4.  4.2 4.4 4.6 4.8 5.  5.2 5.4 5.6 5.8 6.  6.2 6.4 6.6 6.8 7.
                            # 7.2 7.4 7.6 7.8 8.  8.2 8.4 8.6 8.8 9.  9.2 9.4 9.6 9.8]
m = len(x)                  #m为x中向量的个数
print(m)                    #打印出来
x0 = np.full(m,1.0)         #x0创建了一个与xshape相同的矩阵，并全部用0填充
input_data = np.vstack((x0,x)).T                 #将x0与x垂直方向堆叠，然后取转置，得到b在第一列的增广矩阵
target_data = 2 * x + 5 + np.random.randn(m)     #目标标签为2X+5+随机数的函数，这个随机数服从高斯分布
#迭代停止条件
loop_max=1000                   #最大迭代次数
epsilon=0.001                   #预测值与实际值之间的差距为0.001
#初始化权值 (超参数)
np.random.seed(0)               #定义随机数种子
w=np.random.randn(2)            #初始化w为1行2列的服从高斯分布的向量
alpha=0.001                     #学习率
#diff=0.
error = np.zeros(2)             #初始化误差为1行2列的
count=0                         #循环次数
finish = 0                      #终止标志

while count<loop_max:           #相当于死循环，因为永远达不到这个不成立
    count+=1                    #计数器加一
    sum_m=np.zeros(2)           #初始化sum_m为1行2列的全为零的矩阵
    for i in range(m):          #循环m次
        diff=(np.dot(w,input_data[i])-target_data[i])*input_data[i]     #求偏导根据（h(x)-y）*x
        sum_m=sum_m+diff                    #根据多特征迭代式，上面计算的m组的梯度做一个累加
    w=w-alpha*sum_m                         #更新参数的值

    #判断是否收敛
    if np.linalg.norm(w-error)<epsilon:     #norm函数默认求矩阵整体平方根再求根号，即w与error差值的绝对值再与阈值相比

        finish=1                            #这个为终止判断条件，我觉得有和没有差别不大
        break                               #跳出while循环
    else:
        error=w                             #每次更新error让其如下一次的w作差，随着梯度下降越来越缓慢，两者的差值是在不断减小的，
                                            # 如果w与error的差值小于我们能接受的数值，则可以停止循环。
    print('loop count = %d'%count,'\tw:',w) #每一次循环都输出循环步数
print('loop count = %d'%count,'\tw:',w)     #循环结束后也要输出循环步数，即最后一步。

#用Scipy线性回归检查
slope,intercept,r_value,p_value,std_error = stats.linregress(x,target_data)       #这五个参数分别是斜率，截距，相关系数，p值，估计梯度的标准差，
                                                                                  #其中p值为利用检验统计量的t分布的Wald检验，对原假设为斜率为零的假设检验的双侧p值进行检验。
print('intercept = %s slope = %s'% (intercept,slope))            #输出截距和斜率
#用matplotlib画图
plt.plot(x,target_data,'g*')                                     #横轴为x,纵轴为target_data,离散点为绿色星点
plt.plot(x,w[1]*x+w[0],'r')                                      #横轴为x，纵轴为预测的值，用红线
plt.xlabel("X")                                                  #横轴做X标记
plt.ylabel("Y")                                                  #横轴做Y标记
plt.show()                                                       #展示图片

运行结果图：