深度学习——多元线性回归：波士顿房价预测问题TensorFlow实战

1、波士顿房价预测

波士顿房价数据集包括506个样本，每个样本包括12个特征变量和该地区的平均房价。房价（单价）显然和多个特征变量相关，不是单变量线性回归（一元线性回归）问题，选择多个特征变量来建立线性方程，这就是多变量线性回归（多元线性回归）问题。

2、机器学习步骤

（1）准备数据

（2）构建模型

（3）训练模型

（4）进行预测

3、数据读取

（1）数据集解读

CRIM：城镇人均犯罪率

ZN：住宅用地超过25000sq.ft.的比例

INDUS：城镇非零售商用土地的比例

CHAS：边界是河流为1，否则为0

NOX：一氧化氮浓度

RM：住宅平均房间数

AGE：1940年之前建成的自用房屋比例

DIS：到波士顿5个中心区域的加权距离

RAD：辐射性公路的靠近指数

TAX：每10000美元的全值财产税率

PTRATIO：城镇师生比例

LSTAT：人口中地位低下者的比例

MEDV：自住房的平均房价，单位：千美元

（2）多元线性回归模型

Y = x1w1+x2w2+x3w3+...+x12w12 + b

结果可以由不同特征的输入值和对应的权重相乘求和，加上偏置项计算求解