房价预测：回归问题

还有一种常见的机器学习问题是回归问题，它预测的是连续值而不是离散标签，例如，根据气象数据预测明天气温，或者根据软件说明书预测项目完成所需要的时间。

数据介绍

这里我们介绍一下数据。要预测的是是20世纪70年代波士顿房屋价格的中位数。这里给出的数据包括犯罪率、当期房产税率等。本次，我们有的数据点相对较少，只有506个，分为404个训练样本和102个测试样本。输入数据的每个特征都有不同的取值范围。有些特征是比例，取值范围为0-1，有的特征取值范围为1-12；还有的特征取值范围为0-100等。

from keras.datasets import boston_housing

(train_data, train_targets), (test_data, test_targets) =  boston_housing.load_data()

train_data.shape

test_data.shape

结果分别是：
(404, 13)
(102, 13)

这里每个样本有13个特征，比如犯罪率、每个住宅平均房屋间数、告诉公路的可达性等。

我们的目标（或者说希望的测试结果）是房屋价格的中位数，单位是千美元

train_targets

array([ 15.2, 42.3, 50. , 21.1, 17.7, 18.5, 11.3, 15.6, 15.6,
14.4, 12.1, 17.9, 23.1, 19.9, 15.7, 8.8, 50. , 22.5,
24.1, 27.5, 10.9, 30.8, 32.9, 24. , 18.5, 13.3, 22.9,…

---

对数据格式进行处理

将取值范围差异很大的数据直接输入到神经网络中，虽然网络会自动适应这种取值范围不同的数据，但是不进行数据处理直接学效果很不好。因为数据差异比较大的数据在网络中会整体学习效果有较大影响，所以我们需要先做标准化处理（0-1标准差）。

mean = train_data.mean(axis=0)  # axis = 0表示变成一行，实际上是求每列均值
train_data -= mean
std = train_data.std(axis=0)
train_data /= std

test_data -= mean
test_data /= std

---

构建网络

由于样本很小，所以我们用一个非常小的网络，其中包含两个隐藏层，每层有64个单元，一般来说，训练数据越少，过拟合就会越严重，而较小的网络可以降低过拟合。

from keras import models
from keras import layers

def build_model():
    # Because we will need to instantiate
    # the same model multiple times,
    # we use a function to construct it.
    model = models.Sequential()
    model.add(layers.Dense(64, activation='relu',
                           input_shape=(train_data.shape[1],)))
    model.add(layers.Dense(64, activation='relu'))
    model.add(layers.Dense(1))
    model.compile(optimizer