1 波士顿房价预测
1.1 实验介绍
1.1.1 关于本实验
本实验所使用的开发环境的具体搭建可以参照《人工智能技术实验环境搭建实验手册》；由于本案例使用的数据集样本量较小,且数据来自于scikit-learn自带的开源波士顿房价数据。波士顿房价预测项目是一个简单的回归模型，通过该项目的学习可以学会一些关于机器学习库sklearn的基本用法和一些基本的数据处理方法。
1.1.2 实验目的
利用网络公开的波士顿房价数据集，作为模型输入数据。
构建机器学习模型，并进行训练与评估。
了解机器学习模型搭建的总体流程。
掌握机器学习模型训练，网格搜索，评估指标的运用。
掌握相关API的使用。
1.1.3 本实验数据集与框架
该案例主要内容是进行波士顿数据集，共有13个特征，总共506条数据，每条数据包含房屋以及房屋周围的详细信息。其中包含城镇犯罪率，一氧化氮浓度，住宅平均房间数，到中心区域的加权距离以及自住房平均房价等等。具体如下：
CRIM：城镇人均犯罪率。
ZN：住宅用地超过 25000 sq.ft. 的比例。
INDUS：城镇非零售商用土地的比例。
CHAS：查理斯河空变量（如果边界是河流，则为1；否则为0）。
NOX：一氧化氮浓度。
RM：住宅平均房间数。
AGE：1940 年之前建成的自用房屋比例。
DIS：到波士顿五个中心区域的加权距离。
RAD：辐射性公路的接近指数。
TAX：每 10000 美元的全值财产税率。
PTRATIO：城镇师生比例。
B：1000（Bk-0.63）^ 2，其中 Bk 指代城镇中黑人的比例。
LSTAT：人口中地位低下者的比例。
target：自住房的平均房价，以千美元计。
框架：Sklearn,框架一方面提供波士顿房价数据，并且提供用于分割数据集，标准化，评价函数,另一方面集成了各类常规机器学习算法；另外我们使用了XGboost,是集成算法中GBDT的优化版本。
