根据文件内容完成编程实现基于多元线性回归的房价预测，给出完整代码

要完成基于多元线性回归的房价预测，并且按照给定的要求使用小批量随机梯度下降法实现，我们可以遵循以下步骤来构建我们的程序：

首先需要导入必要的库:

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error, r2_score

接着是数据预处理部分，包括加载数据集，划分训练集与测试集以及数据标准化处理:

# 假设 `housing` 是已经加载的数据集
housing = pd.read_csv('path_to_your_data.csv')  # 替换为实际路径

# 划分数据集
train_set, test_set = train_test_split(housing, test_size=0.2, random_state=42)

# 数据标准化
scaler = StandardScaler()
scaler.fit(train_set.drop('house_price', axis=1))  # 只在训练集上拟合变换器
X_train = scaler.transform(train_set.drop('house_price', axis=1))
y_train = train_set['house_price'].values.reshape(-1, 1)
X_test = scaler.transform(test_set.drop('house_price', axis=1))
y_test = test_set['house_price'].values.reshape(-1, 1)

然后我们继续完成剩余的步骤，包括定义模型参数、模型本身、损失函数等。
由于这里没有提供具体的模型实现细节，因此这部分可能需要你自己根据所学知识来编写或查找相关资料以获得具体实现方式。一般而言，你可以通过定义权重向量和偏置项，再结合输入数据来得到预测结果；对于损失函数的选择，通常情况下可以选择均方误差作为目标函数；最后就是使用小批量随机梯度下降法来进行参数更新了。

在完成上述步骤之后，接下来就可以训练模型并且评估其表现如何：

def evaluate_model(X, y, w, b):
    predictions = X.dot(w) + b
    mse = mean_squared_error(y, predictions)
    rmse = np.sqrt(mse)
    r2 = r2_score(y, predictions)
    return mse, rmse, r2

mse_train, rmse_train, r2_train = evaluate_model(X_train, y_train, weights, bias)
mse_test, rmse_test, r2_test = evaluate_model(X_test, y_test, weights, bias)

print("Training set: MSE={:.2f}, RMSE={:.2f}, R2 Score={:.2f}".format(mse_train, rmse_train, r2_train))
print("Test set: MSE={:.2f}, RMSE={:.2f}, R2 Score={:.2f}".format(mse_test, rmse_test, r2_test))

注意这个示例中省略了很多重要的细节如模型的具体实现和训练过程，请根据实际情况填充这些空白处的内容。另外，在提交作业时记得按照指定的格式命名你的`.ipynb`文件。