深度学习入门一阶段demo练习：利用线性回归算法，在波士顿房价数据集上实现预测任务，要求不调用现成的线性回归库函数，利用numpy编写线性回归算法，并通过梯度下降的方式迭代更新线性回归的参数

根据个人经验总结的深度学习入门路线（简单快速）
https://blog.csdn.net/weixin_44414948/article/details/109704871

深度学习入门一阶段demo练习：
https://blog.csdn.net/weixin_44414948/article/details/109864551

demo任务：

利用线性回归算法，在波士顿房价数据集上实现预测任务，要求不调用现成的线性回归库函数，利用numpy编写线性回归算法，并通过梯度下降的方式迭代更新线性回归的参数（不直接使用正规方程求解），准确率达到85%以上。

波士顿房价数据集部分数据如下图所示：

示例代码（不调用现成的线性回归函数库）：

import numpy as np
import math

def load_boston_dataset(path = r'./housing.data'):
    '''
    :param: path
    :return: training_data,test_data
    '''

    data = np.fromfile(path,sep=' ',count=-1)
    # print(data.shape)

    feature_name = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE',
                      'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV']
    data = data.reshape(math.ceil(data.shape[0]/len(feature_name)),len(feature_name))
    # print(data.shape)

    # Training set---> 80% and test set--->20%
    ratio = 0.8
    training_data = data[:int(ratio*data.shape[0])]
    test_data = data[int(ratio*data.shape[0]):]
    # print(traning_data)

    # Min-max normalization
    maximums = training_data.max(axis=0)