多特征
前面已经讲解了一元线性回归，那样的情况下，只有一个自变量和一个因变量，即为单特征
但是在更多的时候，我们需要考虑的是多个特征的情况，如下：
在上图中，能够看到，预测某一个房子的价格时候，可能影响的因素存在多种
根据上面的介绍，不难进行小结
下面，可以得到多元回归方程、代价函数以及对应的梯度下降法
上面给出了梯度下降法，下面对多元线性回归的梯度下降法进行介绍
根据上面的介绍，下面我们以下面的列子来构建一个多元线性回归方程
上面的代码中间，可以看到，已经将上面表格中间内容进行了加载
之后对上面获取的数据进行数据切分
完成上面的内容之后，就可以来定义代价函数以及梯度算法函数了，如下所示：
定义好算法之后，下面就能够开始进行计算了
可以看到，在最开始的时候，代价函数对应的偏差还是47之多（误差较大），在经过1000的迭代之后，误差为0.7（误差较少）
当然，对于这个二元线性回归也是存在有对应的图形的
中间可能对于np.meshgrid(x0,x1)并不是很理解，可以参考下面的解释
将上面的点在一个平面上面进行展示，图形如下：
