将下列数据多元回归出参数，写出其代码以及注释：x=([[3212.15025456,5.7,6.6,6.49],[2910.95100791,15.,23.,5.7],[2359.58779209,21.4,44.6,6.42],[1801.17384325,30.,77.7,7.57],[1597.00709206,51.6,121.9,7.47],[1292.04018236,80.7,168.1,6.37],[704.123381,114.7,261.7,7.06],[518.51674542,180.,520.,7.86]]),y=([331092., 507000., 777000., 1256000., 1206000., 1367000.,3521000., 6989000.])

这个问题需要使用Python中的机器学习库来实现多元回归。我们可以使用scikit-learn库中的线性回归模型来实现。下面是代码及注释：

# 导入需要的库
from sklearn.linear_model import LinearRegression
import numpy as np

# 定义输入数据x和输出数据y
x = np.array([[3212.15025456, 5.7, 6.6, 6.49],
              [2910.95100791, 15., 23., 5.7],
              [2359.58779209, 21.4, 44.6, 6.42],
              [1801.17384325, 30., 77.7, 7.57],
              [1597.00709206, 51.6, 121.9, 7.47],
              [1292.04018236, 80.7, 168.1, 6.37],
              [704.123381, 114.7, 261.7, 7.06],
              [518.51674542, 180., 520., 7.86]])

y = np.array([331092., 507000., 777000., 1256000., 1206000., 1367000., 3521000., 6989000.])

# 创建线性回归模型对象
model = LinearRegression()

# 将输入数据和输出数据传入模型进行训练
model.fit(x, y)

# 输出模型的截距和系数
print("Intercept:", model.intercept_)
print("Coefficients:", model.coef_)

注释中已经解释了代码的每个部分，运行以上代码可以得到多元回归模型的参数。