贝叶斯线性回归小练习

根据上一篇博客贝叶斯线性回归（单输出）对贝叶斯线性回归的理解，随便找了某地区在售房房价随时间和面积的信息（如下所示），利用贝叶斯线性回归分别针对单变量线性基函数模型、单变量多项式基函数模型、单变量和双变量高斯基函数模型进行线性回归。
房价数据如下表所示：

序号	年代	面积	房价	序号	年代	面积	房价
0	2001	100.83	410	10	1999	95.11	565
1	2005	90.90	500	11	2000	85.57	430
2	2007	130.03	550	12	1995	66.44	378
3	2004	78.88	410	13	2003	94.27	498
4	2006	74.22	460	14	2007	125.10	760
5	2005	90.40	497	15	2006	111.20	730
6	1983	64.59	370	16	2008	88.99	430
7	2000	164.06	610	17	2005	92.13	506
8	2003	147.50	560	18	2008	101.35	405
9	2003	58.51	408	19	2000	158.90	615

单变量多项式基函数（包含线性基函数）

首先仿照PRML上线性回归的图示，以面积为自变量，分别取初始状态、1、2、20个点的情形，利用$y=a_0+a_1x$的线性模型，获取似然函数、先验概率的分布图像以及回归曲线的图像。然后利用多项式基函数模型得到了单变量3次多项式的回归过程（输入1、2、5、20个数据），由于参数较多，不能一次性对各参数的似然函数和先验后验分布进行显示，因此只显示各过程中的拟合结果、置信区间和采样函数曲线形态。
以下给出多项式基函数的拟合代码：

# 用实际数据，采用线性模型单变量线性回归2（n次多项式）
# 最高次数为max_order次

data = np.array([
    [2001,100.83,410],[2005,90.9,500],[2007,130.03,550],[2004,78.88,410],[2006,74.22,460],
    [2005,90.4,497],[1983,64.59,370],[2000,164.06,610],[2003,147.5,560],[2003<