之前讲了下梯度下降法对波士顿房价进行预测，当时的特征变量只有1个，就是房间数对房价的影响，而数据集变量有13个，单纯挑出一个变量进行建模不够准确，那么，拓展到n个变量，对于n个特征变量我们如何求解呢，如下所示数据集样例

x1,x2,x3,x4为特征变量(从3个变量中抽取4个典型),y为特征标签，数据集样本506个，我们的假设函数(线性函数)则为H(x) = O_0+O_1*x1+O_2*x+O_3*x+O_4*x,同样的，我们的目的是求O_0,O_1,O_2和O_3参数，我们再看下损失函数，可以和之前一元的对比下，并进行递推过程如下所示

将获得的公式代入损失函数得

明白了矩阵的用法，我们可以来求多元函数变量了，为了画图直观，这里选择2元假设函数，方便我们画3维图进行可视化展示，我们这里选择房间数和便利指数2个变量进行房价预测，由于这2个变量数据相差较大，会可能产生较大的问题，如图

假设O1远远大于O2，则呈现的俯视图可能是椭圆的，因为最后结果基本受O1的控制，对于梯度下降很不友好的，因此我们对其进行线性归一化处理,代码如下所示

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import time
#设置防止中文乱码
plt.rcParams['font.sans-serif']=[u'SimHei']
plt.rcParams['axes.unicode_minus']=False
#载入数据，并进行读取
data = pd.read_csv('C:/users/14499/desktop/housing.data')
def notEmpty(s):
    return s!=''
#创建len(data)行，14列的空二维数组(矩阵)
df = np.empty((len(data), 14))
#迭代所有数据
for i, d in enumerate(data.values):
    #先使用filter去掉为空的字符串，然后将字符串分割成列表，并将列表元素转化为浮点型
    m = map(float, filter(notEmpty, d[0].split(' ')))
    #将这行数据存入二维数组的第i整行
    df[i] = list(m)
names = ['CRIM','ZN', 'INDUS','CHAS','NOX','RM','AGE','DIS','RAD','TAX','PTRATIO','B','LSTAT','MEDV']
#设置列名，将原来的二维数组转化为代标签的二维数组，方便以列名进行存取
df1 = pd.DataFrame(df,columns=names)
#取房间个数数据
room_num = df1['RM']

#距离高速公路的便利指数
convenient = df1['RAD']
#取价格数据
price_num = df1['MEDV']

x0 = np.ones(len(room_num))
#对房间数进行归一化处理
x1 = (room_num-room_num.min())/(room_num.max()-room_num.min())
print(x1)

#对便利指数进行归一化处理
x2 = (convenient-convenient.min())/(convenient.max()-convenient.min())
m = len(x2)
print(list(x2))
print('x2',x2)
X = np.stack((x0,x1,x2),axis=1)
#转化为列向量
Y = np.array(price_num).reshape(-1,1)
print(X)
print(Y)
a = 0.001
Theata = np.random.randn(3,1)

for i in range(100):
    Theata = Theata - a*np.matmul(np.transpose(X),np.matmul(X,Theata)-Y)
    H = np.matmul(X,Theata)
    loss = np.mean(np.square(Y-H))/2
    print('loss:{}  O参数：{}'.format(loss,Theata))
# print(H)
# print(Theata)
fig=plt.figure()
ax=Axes3D(fig)
ax.scatter(x1,x2,price_num,c='green')
ax.set_xlabel('房间数(归一化后)') # 画出坐标轴
ax.set_ylabel('便利指数')
ax.set_zlabel('价格')
ax.plot_trisurf(x1,x2,H.reshape(-1),cmap="viridis")
plt.show()

最后拟合的图像如图所示

二维是一个直线，3维的假设函数就是一个面了，四维以上的图像就画不出来了，这里以3维为例子，损失结果如图