持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第11天，点击查看活动详情
总计：今天是十月更文计划第十一天，第二十一篇
今天学习回归Regression，使用的数据集为波士顿房价
导入的数据包为：
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import sklearn
import pandas as pd
import os
import sys
import time
import tensorflow as tf
from tensorflow import keras
对于导入keras自带的数据集，使用到的语句为：
from sklearn.datasets import fetch_california_housing
这样子就导入了波士顿房价数据集，在使用的过程中，第一句话为：
housing = fetch_california_housing()
将房价数据集引用到housing中，对数据集进行查看，研究，一般使用到的语句为：
print(housing.data.shape)
输出的结果为：
查看这个自带数据集的describe，describe为描述，在python中的语言为DSECR:
在这张图片中就可以看到，这个数据集的特征数目为8个，MedInc，HouseAge，...etc
对于sklearn数据集的引入，应该都没有问题了：
可以随意的引入sklearn提供的数据集。
引入了数据集之后，就要对数据集进行分割，分割为训练集，验证集与测试集。
具体分割的方法如下：
x_train_all, x_test, y_train_all, y_test = train_test_split(housing.data, housing.target, random_state = 7)
如果不指定random_state，那么这个值默认为75%与25%。
由于还有验证集：
x_train, x_valid, y_train, y_valid = train_test_split(x_train_all, y_train_all, random_state = 11)
验证集的划分就是在训练集上再次做一次划分，全部的代码如下：
x_train_all, x_test, y_train_all, y_test = train_test_split(
housing.data, housing.target, random_state = 7)
x_train, x_valid, y_train, y_valid = train_test_split(
x_train_all, y_train_all, random_state = 11)
# 训练集
print(x_train.shape, y_train.shape)
# 验证集
print(x_valid.shape, y_valid.shape)
# 测试集
print(x_test.shape, y_test.shape)
在运行之前使用如下代码： from sklearn.model_selection import train_test_split
输出的结果为：
对数据集进行标准化与归一化的处理：
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
x_train_scaled = scaler.fit_transform(x_train)
x_valid_scaled = scaler.transform(x_valid)
x_test_scaled = scaler.transform(x_test)
在处理完之后才能进行使用。
查看特征数目：
x_train_scaled.shape[1:]
对于神经网络的建立：
model=keras.models.Sequential([
keras.layers.Dense(50,activation='relu',
input_shape=x_train.shape[1:]),
keras.layers.Dense(1),
])
model.summary()
这样就建立了一个最简单的神经网络模型，在网络模型中，隐藏层中的神经元个数为50个，输出层为1个。
在隐藏层中的参数个数，就为8*50+50。为什么呢？
因为在隐藏层中，每一个神经元都要接收到8个特征值的传入，一共有50个神经元，一共400个元素，再加上每一个神经元还要有50个偏执值，所以参数个数一共含有450个参数，使用
model.summary()
方法同样可以看到。
