6、机器学习中的线性回归与逻辑回归实战

机器学习中的线性回归与逻辑回归实战

1. 线性回归模型的数据集

为了让学习更有趣，我们使用真实的波士顿数据集。该数据集由美国人口普查局收集，包含了波士顿周边住房的相关信息，每条记录描述了波士顿的一个郊区或城镇，数据来源于1970年的波士顿标准大都市统计区（SMSA）。其属性定义如下：
| 属性 | 描述 |
| — | — |
| CRIM | 城镇人均犯罪率 |
| ZN | 占地面积超过25,000平方英尺的住宅用地比例 |
| INDUS | 每个城镇非零售商业用地的比例 |
| CHAS | 查尔斯河虚拟变量（如果地块与河流接壤则为1，否则为0） |
| NOX | 一氧化氮浓度（每千万分之一） |
| RM | 每个住宅的平均房间数 |
| AGE | 1940年之前建造的自住单位比例 |
| DIS | 到波士顿五个就业中心的加权距离 |
| RAD | 径向高速公路的可达性指数 |
| TAX | 每10,000美元的全值财产税率 |
| PTRATIO | 城镇的学生 - 教师比例 |
| B - 1000(Bk - 0.63)^2 - Bk | 城镇黑人的比例 |
| LSTAT | 低收入人群的百分比 |
| MEDV | 自住房屋的中位数价格（以千美元为单位） |

我们的目标变量是MEDV，即每个郊区房屋的中位数价格（以千美元为单位）。为了展示如何构建线性回归模型，我们暂时无需深入理解这些特征。在机器学习项目中，通常需要先研究输入数据，检查其分布、质量和缺失值等，但这里我们将跳过这些步骤，专注于使用TensorFlow实