实现使用梯度下降法求解Lasso回归（L1正则化线性回归）。Lasso回归通过在损失函数中添加L1正则化项来实现特征选择和防止过拟合。 梯度下降方式使用批量梯度下降。 目标函数： 其中： 是样本数量， 是第 个样本的真实值， 是第 个样本的第 个特征值， 是第 个特征的权重， 是偏置项， 是正则化参数。

输入描述:

函数`l1_regularization_gradient_descent`接收五个参数：1. X：特征矩阵，形状为(n_samples, n_features)2. y：目标值向量3. alpha：正则化参数，默认0.14. learning_rate：学习率，默认0.015. max_iter：最大迭代次数，默认10006. tol：收敛阈值，默认1e-4

输出描述:

返回一个元组，包含：1. weights：特征权重向量2. bias：偏置项结果保留3位小数

备注:

1.对应的输入、输出已给出，您只用实现核心功能函数即可。2.支持numpy、scipy、pandas、scikit-learn库。