吴恩达机器学习2，如何预测值，还有出图

吴恩达机器学习2，如何预测值，还有出图

import matplotlib.pyplot as plt
#多个特征相差过大，容易震荡，故需要归一化操作
path = "C:/Users/10379/Desktop/线性回归/数据文件/ex1data2.txt"
data = pd.read_csv(path,header=None,names=["Size",'Bedrooms','Price'])
data = (data-data.mean())/data.std() #均值化归一操作,mean()函数对所有的值求平均值，std()函数为标准差
print(data.head())
#接下来初始化数据集变量，首先将变量从数据集中分离出来，然后转化为matrix矩阵才能相乘，theta初始化为全0的矩阵
data.insert(0, 'ones', 1) #在第0列加一列值为1，与theta0进行相乘
cols = data.shape[1] #数据的列数
x = data.iloc[:, 0 : cols-1] #分割出y矩阵
y = data.iloc[:, cols-1:cols] #分割出y矩阵
x= np.matrix(x.values)
y = np.matrix(y.values)
theta = np.matrix(np.array([0,0,0])) #多变量梯度需要三个theta，初始化为0

#定义代价函数
def computeCost(x, y, theta):
    inner = np.power(((x*theta.T) - y), 2)  #X*theta.T为X矩阵和theta转置矩阵相乘
    return np.sum(inner) / (2*len(x))

#定义梯度下降函数
def gredientDecent(x, y, theta, alpha, iters):  #alpha为学习率 iters为迭代次数
    tempt = np.matrix(np.zeros(theta.shape)) #求一个与theta矩阵大小相等的全0矩阵
    parameters = int(theta.ravel().shape[1]) #ravel转化为一维，返回1行的个数
    cost = np.zeros(iters) #cost为iters个值的一维矩阵，仅有一行，iters列
    for i in range(iters):
        error = (x * theta.T) - y # 公式，外层循环中每一次theta改变
        for j in range(parameters): #内层循环使用梯度下降算法改变theta的值至代价函数最小
            term = np.multiply(error, x[ :, j]) #本次迭代theta值，减法项每项对应×输入矩阵中第j列
            tempt[0 , j]  = theta[0,j]-((alpha/len(x))*(np.sum(term))) #tempt与theta都是一行多列的二维矩阵
        theta = tempt  # j循环后，theta中的每个属性值都进行了改变，并保存在tempt临时变量中
        cost = computeCost(x, y, theta)
    return theta, cost  # 梯度下降算法多次下降最终得到theta矩阵
alpha = 0.01
iters = 1500
g,cost = gredientDecent(x, y, theta, alpha, iters)
print("theta变量与最小代价")
print(g)
print(cost)

这是根据网上的已经写出来的程序，后面的预测数据和作图该怎么做呢？