回歸是機器學習中最常見的任務之一，回歸（regression）問題預測的是一個連續值，而不是離散標簽，比如根據氣象數據預測明日氣溫，或者根據房地產數據估算房價（標量回歸問題）。
接下來就以回歸問題最經典的波士頓房價為例，了解標量回歸問題的基本配置。當然主要是對深度學習的訓練與推理建立一個基本的認知，訓練結果好壞反而不太重要。
既然是機器學習，了解python是必備的（上手也很容易），使用的也是易上手的keras框架，接著再了解一下numpy，可以上路了。
基于tensorflow.js實現的純前端小樣例請看：線性回歸
大綱
準備數據
構建模型
訓練模型
預測結果
波士頓房價數據集介紹
data：樣本都有13個數值特征，比如人均犯罪率、住宅的平均房間數、高速公路可達性等
target：目標是房價中位數，單位是千美元
由數據集訓練出的模型要達到的效果：用戶輸入13個數值特征數據，預測出一個房價中位數（輸入data，輸出target）。
準備數據
取值范圍差異很大的數據輸入到神經網絡中是有問題的，這會讓模型學習變得困難。對于這類數據，普遍采用的最佳處理方法是對每個特征進行標準化，即對于輸入數據的每個特征（輸入數據矩陣的每一列），減去特征平均值，再除以標準差，這樣得到的特征平均值為0，標準差為1。
這個步驟一般叫做數據的標準化（normalization），目的就是把所有數據都映射到同一個數據空間，一般是[0,1]或[-1,1]范圍內，以方便后續模型的學習。
from tensorflow.keras.datasets import boston_housing
(train_data, train_targets), (test_data, test_targets) = boston_housing.load_data()#加載波士頓房價數據集
mean = train_data.mean(axis=0)#平均值
train_data -= mean
std = train_data.std(axis=0)#標準差
train_data /= std
test_data -= mean
test_data /= std
mean方法用于得出數據集的平均值，這是numpy的ndarrays對象自帶的方法，同理std是封裝好的標準差方法，標準差原理比較繁瑣，想了解具體細節可自己去了解。
構建模型
由于樣本數量比較小，因此合適的選擇是使用一個小的模型。它包含兩個中間層，每層有64個單元，一般來說，訓練數據越少，過擬合就會越嚴重，而較小的模型可以降低過擬合。
from tensorflow import keras
from tensorflow.keras import layers
def build_model():
model = keras.Sequential([
layers.Dense(64, activation="relu"),#64個單元，激活函數為relu
layers.Dense(64, activation="relu"),
layers.Dense(1)#最后一層（輸出層）
])
model.compile(optimizer="rmsprop", loss="mse", metrics=["mae"])
return model
因為是標量回歸（標量回歸是預測單一連續值的回歸），模型的最后一層只有一個單元，并不需要激活函數。損失函數為均方誤差（mean squared error，MSE），預測值與目標值之差的平方，這是回歸問題常用的損失函數。
在訓練過程中要監控的指標：平均絕對誤差（mean absolute error，MAE），它是預測值與目標值之差的絕對值。
訓練模型
中間省了評估訓練結果，調節超參數的過程，這里直接用所有的數據進行訓練，這里數據量比較少，沒有再區分出驗證集（validation data）。如果想看直觀的查看訓練效果，可以使用 matplotlib 庫繪制驗證MAE曲線。
epochs 顧名思義就是訓練的輪次；
batch_size 批次尺寸，即每次完整的正向和反向傳播使用的數據量，必須為2的n次冪；這個參數會影響訓練的效果，和顯存的大小息息相關，以后要注意；
model = build_model() #獲取已編譯模型
history = model.fit(train_data, train_targets, epochs=150, batch_size=16) #訓練模型
test_mse_score, test_mae_score = model.evaluate(test_data, test_targets) #評估訓練效果
預測結果
訓練好模型后，接著直接用測試集進行預測一下結果，查看預測結果的第一條為 9.514468 （單位：千美元）
>>> predictions = model.predict(test_data)
>>> predictions[0]
array([9.514468], dtype=float32)
總結
回歸常用的損失函數是均方誤差（MSE）
常用的回歸指標是平均絕對誤差（MAE）
數據應該先進行預處理
如果可用的訓練數據少，那么最好使用中間層較少（通常只有一兩個）的小模型，以避免嚴重的過擬合
