HandsOn-ML学习笔记（1）用机器学习方法解决简单回归问题

很久没法博客了，可能自己也变懒了，正好最近在看一本大神推荐的书，准备写写笔记，把自己不会的，解决了的记录下来。文中的中文全部来自作者蹩脚的翻译，还望理解

书名叫《Hands-On Machine Learning with Scikit-Learn & Tensorflow》，我用的是东南大学的影印版，封面大概是这个样子（图片来自京东）

第一章主要是讲了机器学习的基础知识，主要的几个分类（监督学习与无监督学习，基于实例和基于模型的学习，线上学习和批量学习等等）和一些机器学习过程中容易遇到的一些问题，包括过拟合、欠拟合、测试集和验证集的划分等等，比较基础，在此一笔带过

我们的正文从第二章开始吧。第二章用一个房价预测例子来描述了一个完整的机器学习项目过程
主要任务有以下：

1. 获取数据
2. 数据可视化，发现数据的内在关系
3. 数据前期处理以便于机器学习算法
4. 选择模型并训练
5. 结果展示及更多

Step by step！

获取数据

关于获取数据，书中提到了几个开源的数据社区：

• UC Irvine Machine Learning Repository
• Kaggle datesets
• Amazon’s AWS datasets

这些社区的数据全部来自于真实数据，对想要熟悉机器学习的人来说比较合适，可以拿来练手

在获取了数据集之后，我们需要解决两个问题：

• 我们的业务目标究竟是什么？
• 当前的解决方案是怎么样的？

第一个问题也许你该问问你的BOSS，或许我们的目标是给下游的系统提供输入，或者别的目的；第二个问题可以看看相似问题在现实中是怎么解决的，效率和损耗怎么样，给机器学习的效果提供一个参照（我们要超越的目标）

下面我们需要确定我们的模型表现的评价标准，主要有下面几种方式：

1. RMSE（又叫L2范数、欧几里得范数）：
   
   1m∑i=1m(h(xi)−y<