4.3.5　整合函数

让我们检查一下是否所有工序都已就位：

·编写完成了关于样本数据准备的代码；

·完成了对predict()函数的升级；

·得到了无须升级loss()函数的结论；

·完成了对gradient()函数的升级。

检查……检查……检查……再检查。现在我们终于可以将这些变化应用到学习程序之中了：

我们花了几页纸的篇幅才完成了代码，但它与之前章节的代码十分相似。除了加载和样本数据准备这部分的代码之外，我们只改变了三行代码。注意，我们的函数具有一般性，它们不仅可以处理Roberto的三输入变量数据集，还可以处理任意数量的输入变量。

如果运行该程序，则可以得到如下结果：

损失函数值在每次迭代中都会减少，这表明程序确实是在学习。然而，我们的工作还没结束，因为在本章开头忽略了偏置参数以简化思路。其实我们很清楚，不应该期望在没有偏置参数的情况下得到良好预测。幸运的是，把偏置放回去看起来很容易。