Обновление линейной регрессии (градиентного спуска) с использованием python (numpy)

Question

При обновлении тета (весов) в линейной регрессии, похоже, увеличивается ошибка стоимости, а не уменьшается.

При использовании numpy я пытался обновлять тета на каждой итерации, устанавливая предопределенныймассив, значения из тета-обновления и установка тэты в массив на каждой итерации.

theta = [[0],[0]]
theta = np.array(theta)
temp = np.array([[0],[0]])
m = len(Y)
    for i in range(iteration):

    def hypothesis (theta, X, iteration):
        ''' Calculates the hypothesis by multiplying the transpose of theta with the features of X in iteration'''
        output = np.transpose(theta).dot(np.transpose(X[iteration]))
        return int(output)
    def cost_function():
        '''Calculates cost function to plot (this is to check if the cost function is converging)'''
        total = 0
        for i in range(m):
            total = pow((hypothesis(theta, X, i) - Y[i]),2) + total
        return total/(2*m)

    def cost_function_derivative(thetapos):
        '''Calculates the derivative of the cost function to determine which direction to go'''
        cost = 0
        for a in range(m):
            cost += ((hypothesis(theta, X, a) - int(Y[a])) * int(X[a, thetapos]))
        return (cost)
    alpher = alpha*(1/m)
    for j in range(len(theta)):
        temp[j, 0] = theta[j, 0] - float(alpher)*float(cost_function_derivative(j))
    print (cost_function())
    theta = temp
return hypothesis(theta, X, 5), theta

Я ожидал, что он выведет 13, с тэтой [1,2], но, увы, мой плохой код,дал мне 0, [0,0]