最速下降法的MATLAB程序

x = load（‘ex3x.dat‘）;  
y = load（‘ex3y.dat‘）;  
  
trustRegionBound = 1000;  
x = [ones（size（x1）1） x];  
meanx = mean（x）;%求均值  
sigmax = std（x）;%求标准偏差  
x（:2） = （x（:2）-meanx（2））./sigmax（2）;  
x（:3） = （x（:3）-meanx（3））./sigmax（3）;  
itera_num = 1000; %尝试的迭代次数  
sample_num = size（x1）; %训练样本的次数  
figure  
alpha = [0.01 0.03 0.1 0.3 1 1.3];%因为差不多是选取每个3倍的学习率来测试，所以直接枚举出来  
plotstyle = {‘b‘ ‘r‘ ‘g‘ ‘k‘ ‘b--‘ ‘r--‘};   
theta_grad_descent = zeros（size（x（1:）））;
%% 信赖域+狗腿法
theta = zeros（size（x2）1）; %theta的初始值赋值为0  
Jtheta = zeros（itera_num 1）;  
 for i = 1:itera_num %计算出某个学习速率alpha下迭代itera_num次数后的参数         
        Jtheta（i） = （1/（2*sample_num））.*（x*theta-y）‘*（x*theta-y）;%Jtheta是个行向量  
        grad = （1/sample_num）.*x‘*（x*theta-y）;  
        B=x‘*x;  
        du = -grad‘ * grad * grad / （grad‘ * B * grad）;  
        dB = -B^-1 * grad;  
        a = 2;  
        if du‘*du > trustRegionBound*trustRegionBound;  
        a = trustRegionBound / sqrt（（du‘*du））;  
        else if dB‘*dB > trustRegionBound*trustRegionBound  
        a = sqrt（（trustRegionBound*trustRegionBound - du‘*du） / （（dB-du）‘*（dB-du））） + 1;  
            end      
        end  
        if a < 1  
        d = a * du;  
        else  
        d = du + （a - 1） * （dB - du）;  
        end  
        Jtheta1（i）=（1/（2*sample_num））.*（x*（theta+d）-y）‘*（x*（theta+d）-y）;  
        p = （Jtheta（i）-Jtheta1（i））/（-grad‘*d-1/2*d‘*B*d）;  
            if p > 0.75 && sqrt（abs（d‘*d） - trustRegionBound） < 0.001  
        trustRegionBound = min（2 * trustRegionBound 10000）;  
           else if p <