经典梯度下降法的流程：
step1.确定目标函数
因为目的是求出最佳的0、1、2，所以首先给出初始值。
step2.遍历训练样本，训练模型。
将各个训练样本引入目标函数模型，计算了预测房价。 求出预测房价与实际房价的误差函数j()，用定义误差测量标准。
已知曲面上方向导数最大值的方向表示梯度的方向，因此在进行梯度下降时应该沿着梯度的反方向进行权重更新，可以有效地找到全局最优解。 根据每个x的分量和当时的偏差值进行的更新。 该的更新过程可以描述如下。
梯度下降法要求在每个权重迭代过程中遍历所有训练数据，如果样本数量较多，则需要更多的时间和资源。
为了解决这个问题，在实际操作中使用随机梯度下降法，用单个训练样本的损失函数近似平均损失。
importmatplotlib.pyplotaspltfrommpl _ toolkits.MP lot3dimportaxes 3d # 绘制三维坐标的函数importnumpyasnpimportrandomq0=random.random Q2=random.random () a=0.01 e=1e-04x=NP.array ([ 21000 ] [540]] ) E0=1E1=1e2=1h=1while E0=eore1=eore2=e : b=random.randint (0，4 ) #0到4的数据I=Bh=Q0Q1* 0 ) ey=h-t[I]E0E2=) ) h-t[I] ) e0 ey ) x ) I，1 )1) ) ) Q2 ) fig1=PLT.figure(#绘图对象ax=axx ) 使用此绘图对象创建一个axes对象(具有三维坐标) X1。 X2=np.mgrid[0:10000:500j，0:50:500j] #至10000 500房间平米数x1，0至50 500房间数x2h=Q0(Q1*x1Q2*x2 ) cmap=plt.cm.coolwarm，alpha=0.5(#在采样点(x，y，z )构造曲面ax.set_xlabel('x1 '，color='r ' ) )