使用线性回归模型对波士顿数据集进行预测。
1、数据集读入
导入sklearn的自带数据集——boston数据集，分别取出特征向量，以及样本。
2、数据预处理，根据需要进行标准化，归一化处理
查看数据集中的数据，X的数据最小为0.0,最大为711，y的数据最小为5.0,最大为50。数据的跨度较大，因此采用最小最大标准化的规则来把数据归一化到[0,1]，以便让代价函数收敛得更快一点。
标准化后的数据：
3、将数据集划分为训练集与测试集
将数据集按照8:2的比例划分为训练集与测试集：
4、利用训练数据构建模型
构建线性回归模型：
其中LinerRegression采用了梯度下降法拟合的线性回归，实现原理是：
假设函数：
,其中，x0=1;
将所有的参数抽取为一个向量，得到参数向量。当真实值与测试值的平方误差之和最小时，则得到代价函数：
特征x1,x2,……，xn组成一个特征矩阵，而参数向量的倒置与特征矩阵乘积恰好就是假设函数，同步更细参数向量的元素，使得代价函数最小时，就得到与真实曲线拟合度最好的假设函数，使用梯度下降法：
就得到了拟合度最好的一组参数。
5、用测试数据评价模型的性能
使用r2_score来评价模型的性能，由下图可以看出二者的拟合度为0.55
6、结果分析（可视化）
使用matplotlib中pyplot,将测试数据与预测结果画成散点图：
