x = np.array([[10,20,90], [9,18,70], [4,12,55],[3,10,50]]) y = np.array([[1], [1], [0], [0]]) 继续给一组x的值，用梯度下降法怎样预测相对于y的值，给出python代码

这是一个二分类问题，可以使用逻辑回归模型进行预测。以下是使用梯度下降法训练逻辑回归模型并进行预测的Python代码：

import numpy as np

# 定义sigmoid函数
def sigmoid(z):
    return 1 / (1 + np.exp(-z))

# 定义损失函数
def loss(X, y, w):
    m = X.shape[0]
    h = sigmoid(X.dot(w))
    J = -1 / m * (y.T.dot(np.log(h)) + (1 - y).T.dot(np.log(1 - h)))
    return J

# 定义梯度函数
def gradient(X, y, w):
    m = X.shape[0]
    h = sigmoid(X.dot(w))
    grad = 1 / m * X.T.dot(h - y)
    return grad

# 定义梯度下降函数
def gradient_descent(X, y, w_init, lr, num_iter):
    w = w_init
    for i in range(num_iter):
        grad = gradient(X, y, w)
        w -= lr * grad
        J = loss(X, y, w)
        print("Iteration %d | Loss: %f" % (i, J))
    return w

# 定义预测函数
def predict(X, w):
    h = sigmoid(X.dot(w))
    y_pred = np.round(h)
    return y_pred

# 定义训练数据集和标签
X_train = np.array([[10,20,90], [9,18,70], [4,12,55],[3,10,50]])
y_train = np.array([[1], [1], [0], [0]])

# 添加一列偏置项
X_train = np.hstack((np.ones((X_train.shape[0], 1)), X_train))

# 初始化权重向量
w_init = np.zeros((X_train.shape[1], 1))

# 设置学习率和训练轮数
lr = 0.01
num_iter = 1000

# 训练模型
w = gradient_descent(X_train, y_train, w_init, lr, num_iter)

# 预测新数据
X_new = np.array([[1, 5, 30]])
X_new = np.hstack((np.ones((X_new.shape[0], 1)), X_new))
y_pred = predict(X_new, w)
print("Predicted label for X_new: %d" % y_pred)

其中，`X_train`是训练数据集，`y_train`是训练标签。在梯度下降函数中，`w_init`是权重向量的初始值，`lr`是学习率，`num_iter`是训练轮数。在预测函数中，`X_new`是新的数据点，`y_pred`是预测的标签。