线性回归和随机梯度下降

问题：按下面的要求实现随机梯度下降线性回归类。
- 类名为 SGDRegressor，其继承自 sklearn.base.BaseEstimator
- 构造函数接受参数 eta 学习率（默认为 $10^{- 3}$ ）和 n_epochs 全数据集迭代次数（默认为 3）
- 构造函数创建 mse_ 和 weights_ 列表，以便在梯度下降迭代期间追踪均方误差和权重向量
- 该类需包含 fit 和 predict 方法用于训练和预测
- fit 方法可接受矩阵 X 和向量 y（numpy.array 对象）作为参数。该方法可自动在 X 左侧追加一列全为 1 的值作为截距项系数，权重 w 则统一用零初始化。然后进行 n_epochs 权重更新迭代，并将每次迭代后的均方误差 MSE 和权重向量记录在预先初始化的空列表中
- fit 方法返回 SGDRegressor 类的当前实例，即 self
- predict 方法可接受矩阵 X 矩阵，同样需支持自动在 X 左侧追加一列全为 1 的值作为截距项系数，并使用由 fit 方法得到的权重向量 w_ 计算后返回预测向量
```
class SGDRegressor(BaseEstimator):
  def __init__(self, eta=1e-3, n_epochs=3):
      self.eta = eta
      self.n_epochs = n_epochs
      self.mse_ = []
      self.weights_ = []

  def fit(self, X, y):
      X = np.hstack([np.ones([X.shape[0], 1]), X])
      w = np.zeros(X.shape[1])
      for it in tqdm(range(self.n_epochs)):
          for i in range(X.shape[0]):
              new_w = w.copy()
              new_w[0] += self.eta * (y[i] - w.dot(X[i, :]))
              for j in range(1, X.shape[1]):
                  new_w[j] += self.eta * (y[i] - w.dot(X[i, :])) * X[i, j]
              w = new_w.copy()
              self.weights_.append(w)
              self.mse_.append(mean_squared_error(y, X.dot(w)))
      self.w_ = self.weights_[np.argmin(self.mse_)]
      return self

  def predict(self, X):
      X = np.hstack([np.ones([X.shape[0], 1]), X])
      return X.dot(self.w_)
```