说明：

    • 本教程中的代码都可以在AIStudio上直接运行，Print结果都是基于程序真实运行的结果。
    • 由于是真实案例，代码之前存在依赖关系，因此需要读者逐条、全部运行，否则会导致Print时报错。

    通过如下代码读入数据，了解下波士顿房价的数据集结构，数据存放在本地目录下housing.data文件中。

    1. array([6.320e-03, 1.800e+01, 2.310e+00, ..., 3.969e+02, 7.880e+00,
    2.        1.190e+01])

    2. # 这里对原始数据做reshape，变成N x 14的形式
    3. feature_names = [ 'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE','DIS', 
    4.                  'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV' ]
    5. feature_num = len(feature_names)
    1. # 查看数据
    2. x = data[0]
    3. print(x.shape)
    4. print(x)

    将数据集划分成训练集和测试集，其中训练集用于确定模型的参数，测试集用于评判模型的效果。为什么要对数据集进行拆分，而不能直接应用于模型训练呢？这与学生时代的授课和考试关系比较类似，如 图4 所示。

    图4：训练集和测试集拆分的意义

    在本案例中，我们将80%的数据用作训练集，20%用作测试集，实现代码如下。通过打印训练集的形状，可以发现共有404个样本，每个样本含有13个特征和1个预测值。

    2. offset = int(data.shape[0] * ratio)
    3. training_data = data[:offset]
    4. training_data.shape
    1. (404, 14)

    对每个特征进行归一化处理，使得每个特征的取值缩放到0~1之间。这样做有两个好处：一是模型训练更高效；二是特征前的权重大小可以代表该变量对预测结果的贡献度（因为每个特征值本身的范围相同）。

    1. # 计算train数据集的最大值，最小值，平均值
    2. maximums, minimums, avgs = \
    3.                      training_data.max(axis=0), \
    4.                      training_data.min(axis=0), \
    5.      training_data.sum(axis=0) / training_data.shape[0]
    7.     #print(maximums[i], minimums[i], avgs[i])
    8.     data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i])

    1. # 获取数据
    2. training_data, test_data = load_data()
    3. x = training_data[:, :-1]
    4. y = training_data[:, -1:]
    1. # 查看数据
    2. print(x[0])
    3. print(y[0])
    1. [-0.02146321  0.03767327 -0.28552309 -0.08663366  0.01289726  0.04634817
    2.   0.00795597 -0.00765794 -0.25172191 -0.11881188 -0.29002528  0.0519112
    3.  -0.17590923]
    4. [-0.00390539]