从梯度下降算法计算出的用于Logistic回归的权重向量不是正确的尺寸

Question

我正在学习Coursera上的Andrew Ng机器学习课程，想尝试对kaggle泰坦尼克号数据集使用逻辑回归，以确保我了解自己在做什么。

passengers.dropna(subset = ['Age'], inplace=True)
X = passengers[['Age']]
X = np.concatenate((np.ones((X.shape[0],1)), X), axis=1)
theta = np.zeros((X.shape[1],1))
Y = passengers['Survived'].values

def gradDesc(X,Y,theta,rate):
    for i in range(1000):
        h = 1/(1+np.e**(-np.matmul(X, theta)))
        gradient = rate * np.dot(X.T, (h-Y)) / len(Y)
        theta_temp = theta - gradient
        theta = theta_temp
    return theta

theta = gradDesc(X,Y,theta,0.000001)

我是numpy，线性代数等的新手，所以我确定自己犯了一些明显的错误。

我的问题是，由我的梯度下降函数返回的权重向量的形状为（2，714）而不是（2，1），其中714为行数。我正在尝试使用梯度下降算法的向量化版本：theta = theta - rate * (1/m) * X'*(g(X * theta) - y)，但是X'*(g(X * theta) - y)部分似乎并未执行非向量化版本的求和动作（希望这很有意义） 。就像我说的那样，我敢肯定这是一个愚蠢的错误，但希望有人能帮助我。