### 使用 TensorFlow 2.0 和 Keras 构建波士顿房价线性回归模型 以下是基于 TensorFlow 2.0 的 Keras API 实现加载波士顿房价数据集、构建线性回归模型、编译以及训练的过程。 #### 加载必要的库 首先需要导入所需的库来支持数据分析和模型构建。 ```python import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers import numpy as np import matplotlib.pyplot as plt ``` #### 数据准备 通过 `tf.keras.datasets` 中的接口加载波士顿房价数据集，并对其进行标准化处理以提高模型性能[^3]。 ```python # 加载波士顿房价数据集 (boston_features_train, boston_labels_train), (boston_features_test, boston_labels_test) = \ tf.keras.datasets.boston_housing.load_data(test_split=0.2, seed=113) # 对特征进行标准化 mean = boston_features_train.mean(axis=0) std = boston_features_train.std(axis=0) boston_features_train -= mean boston_features_train /= std boston_features_test -= mean boston_features_test /= std ``` #### 模型构建 创建一个简单的线性回归模型，该模型仅包含单个全连接层（Dense 层），其激活函数设为 None（即线性激活）。这符合线性回归的要求[^3]。 ```python def build_linear_regression_model(): model = keras.Sequential([ layers.Dense(1, input_shape=(boston_features_train.shape[1],)) # 单一输出节点 ]) return model model = build_linear_regression_model() ``` #### 编译模型 配置优化器 Adam 并设定均方误差（MSE）作为损失函数。这是典型的线性回归设置[^3]。 ```python model.compile( optimizer=tf.keras.optimizers.Adam(), loss='mse', metrics=['mae'] ) ``` #### 训练模型 使用训练数据拟合模型，并监控验证集上的表现。为了简化展示，此处设置较短的轮次数以便快速观察效果[^5]。 ```python history = model.fit( boston_features_train, boston_labels_train, epochs=100, batch_size=32, validation_split=0.2, verbose=1 ) ``` #### 可视化训练过程 绘制训练过程中 MSE 随时间的变化曲线可以帮助理解收敛情况。 ```python plt.plot(history.history['loss'], label='Training Loss') plt.plot(history.history['val_loss'], label='Validation Loss') plt.xlabel('Epochs') plt.ylabel('Loss (MSE)') plt.legend() plt.show() ``` #### 测试模型 最后，在测试集中评估模型的表现。 ```python test_mse_score, test_mae_score = model.evaluate(boston_features_test, boston_labels_test, verbose=0) print(f'Test MAE Score: {test_mae_score}') ``` 以上流程涵盖了从数据预处理到最终评价的所有环节，适用于初学者学习如何利用 TensorFlow 2.0 和 Keras 进行基本机器学习任务开发。 ---