多元线性回归方程的参数求出来之后，怎么用代码实现预测值和真实值比较呢

在多元线性回归中，预测值和真实值的比较可以使用均方根误差（RMSE）或平均绝对误差（MAE）等指标进行衡量。在使用代码实现比较时，可以按如下步骤进行：

1. 使用训练集拟合多元线性回归模型，并得到模型的参数。
2. 使用测试集对模型进行预测，得到预测值。
3. 将预测值与测试集中的真实值进行比较，计算RMSE或MAE等指标。
4. 可以使用Python中的numpy和sklearn库来实现这些步骤，其中sklearn中的linear_model.LinearRegression类可以用于多元线性回归的拟合和预测，mean_squared_error和mean_absolute_error函数可以用于计算RMSE和MAE。

以下是一个简单的示例代码：

import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, mean_absolute_error

# 构造训练数据
X_train = np.array([[1, 2], [2, 4], [3, 6], [4, 8]])
y_train = np.array([1, 2, 3, 4])

# 构造测试数据
X_test = np.array([[5, 10], [6, 12]])
y_test = np.array([5, 6])

# 多元线性回归拟合
model = LinearRegression().fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

# 计算RMSE和MAE
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
mae = mean_absolute_error(y_test, y_pred)

print("RMSE: ", rmse)
print("MAE: ", mae)

输出结果为：

RMSE:  0.0
MAE:  0.0

这是因为示例数据比较简单，模型拟合得很好。在实际应用中，需要使用更多的数据集来进行训练和测试，并根据实际需求选择合适的指标来衡量模型的性能。