Как рассчитать стоимость ? (?) и градиентный спуск для линейной регрессии?

Question

Я реализовал логику для ? (?) и немного запутался в моей логике.Как рассчитать стоимость ? (?) и градиентного спуска?

Ниже приведен код.

def compute_cost(X, y, theta):
    m = len(y)
    inner = np.power(((X @ theta.T) - y), 2)
    return np.sum(inner) / (2 * m)

J = -(2.0/size) * np.dot(inner,X)
return J

theta = np.zeros( (2, 1) )
print compute_cost(X, y, theta)

theta = np.array([[1.0], [1.0]])
print compute_cost(X, y, theta)



def gradient_descent(X, y, theta, alpha, num_iters):
#Trying to understand what goes here?

# initialize some useful values
m = len(y) # number of training examples
J_history = np.zeros( (num_iters, 1) ) # an array of the history of 
#our J cost function
J_history[0] = compute_cost(X, y, theta) # the initial cost



# perform num_iters iterations of the gradient descent
for iter in range(1, num_iters):
     J_history[iter] = compute_cost(X, y, theta)
return (theta, J_history)



theta = np.zeros( (2, 1) )
iterations = 1500;
alpha = 0.01

theta, J_history = gradient_descent(X, y, theta, alpha, iterations)


#Expected result should be like:
print theta
>>> [[-3.62981201] [ 1.16631419]]

print J_history
>>> [[ 32.07273388]
 [  6.73719046]
 [  5.93159357]
 ..., 
 [  4.4834581 ]
 [  4.48343473]
 [  4.48341145]]

И я получаю следующую ошибку: ValueError: shape (2,97) и (1,2) не выровнены: 97 (dim1)! = 1 (дим 0)