原理：wx+b，x是输入，求得的结果与真实值y求均方误差。

采用链式法则求导

参数更新，梯度下降法（批量梯度下降）

随机生成数据：

m=100；生成100个数据，并添加随机噪声

clear;
W = 10;  %参数初始化
B = 10;  
learning = 0.0001; % 学习率  
m=100;%数据个数
X=linspace(1,10,m);%生成数据
Y = 2 * X + 1+0.7*randn(size(X)); %数据加噪

查看数据分布：

 for i = 1:10000 % 增加迭代次数以更好地拟合模型  
    % 计算当前模型的输出  
    out = W * X + B;  
    % 计算损失  
    Loss = sum((out - Y).^2);  
    % 计算梯度  
    grad_B = -2 * sum(Y - out);  
    grad_W = -2 * sum((Y - out) .* X);  
    % 更新参数  
    W = W - learning * grad_W;  
    B = B - learning * grad_B;  
end  

迭代1000次后的结果

W: 2.010807, B: 1.038136

所有代码：

clear;
W = 10;  %参数初始化
B = 10;  
learning = 0.0001; % 学习率  
m=100;%数据个数
X=linspace(1,10,m);%生成数据
Y = 2 * X + 1+0.7*randn(size(X)); %数据加噪


plot(X,Y)
hold on;
% 梯度下降循环  
for i = 1:10000 % 增加迭代次数以更好地拟合模型  
    % 计算当前模型的输出  
    out = W * X + B;  
    % 计算损失  
    Loss = sum((out - Y).^2);  
    % 计算梯度  
    grad_B = -2 * sum(Y - out);  
    grad_W = -2 * sum((Y - out) .* X);  
    % 更新参数  
    W = W - learning * grad_W;  
    B = B - learning * grad_B;  
end  

plot(X,W.*X+B) 
fprintf('W: %f, B: %f\n', W, B);