Python RuntimeWarning:在square中遇到溢出

我是机器学习和numpy的新手，我一直在尝试从sklearn在Boston housing数据集上运行gradient descent。我的实现用于小型随机数据集，但在Boston数据集中，它产生了这些警告

<string>:12: RuntimeWarning: overflow encountered in square
<string>:15: RuntimeWarning: invalid value encountered in subtract

这是我的梯度下降代码

import numpy as np
from sklearn.datasets import load_boston
from matplotlib import pyplot as plt
def gradient_descent(x,y,alpha,theta):
    m=y.shape[0]
    xtranspose = x.transpose()
    i=0
    cost =488
    while cost>0.5:
        hyp = np.dot(x, theta)
        loss = hyp - y
        cost = np.sum(loss ** 2)/(2*m)
        plt.scatter(i,cost)
        gradient = np.dot(xtranspose, loss)/m
        theta = theta - alpha * gradient
        i=i+1
    plt.show()
    return theta


    dataset = load_boston()
    m,n = dataset['data'].shape
    x = np.ones((m,n+1))
    x[:,:-1] = dataset['data']
    y= dataset['target']
    alpha=0.005
    theta=np.ones(x.shape[1])
    theta = gradient_descent(x,y,alpha,theta)

---

当输入为整数时，出现此类溢出警告并不罕见。第一件要尝试的事情是将它们作为一个浮球来投掷。如果loss是一个数组，那么可以使用loss=np.array（loss，dtype=float）。如果loss是整数，则可以使用loss=float（loss）。

当输入为整数时，通常会看到此类溢出警告。第一件要尝试的事情是将它们作为一个浮球来投掷。如果loss是一个数组，那么可以使用loss=np.array（loss，dtype=float）。如果损失是一个整数，您可以使用loss=float（loss）。

我想需要一个更好的初始猜测<代码>丢失**2溢出，并导致后续问题。我有完全相同的错误，知道如何修复吗？？？我想需要更好的初始猜测<代码>丢失**2溢出，并导致后续问题。我有完全相同的错误，知道如何修复吗？？？

import numpy as np
from sklearn.datasets import load_boston
from matplotlib import pyplot as plt
def gradient_descent(x,y,alpha,theta):
    m=y.shape[0]
    xtranspose = x.transpose()
    i=0
    cost =488
    while cost>0.5:
        hyp = np.dot(x, theta)
        loss = hyp - y
        cost = np.sum(loss ** 2)/(2*m)
        plt.scatter(i,cost)
        gradient = np.dot(xtranspose, loss)/m
        theta = theta - alpha * gradient
        i=i+1
    plt.show()
    return theta


    dataset = load_boston()
    m,n = dataset['data'].shape
    x = np.ones((m,n+1))
    x[:,:-1] = dataset['data']
    y= dataset['target']
    alpha=0.005
    theta=np.ones(x.shape[1])
    theta = gradient_descent(x,y,alpha,theta)