编写程序，分别用岭回归、神经网络、支持向量机方法建立房价预测模型，涵盖完整的数据建模步骤，从预测误差（MSE和MAE）和决定系数（R2）对比不同模型的预测性能,并绘制不同模型预测结果和真实结果的对比曲线图。

在编写程序时，我们可以使用Python的机器学习库如scikit-learn来构建岭回归、神经网络和支持向量机的房价预测模型。以下是大致的数据建模步骤：

1. **数据获取**:
- 导入必要的库（pandas, numpy, scikit-learn等），以及加载房价数据集，比如使用`Kaggle`上的`Housing Prices`数据。

import pandas as pd
import numpy as np
from sklearn.datasets import fetch_california_housing

2. **数据预处理**:
- 数据清洗，填充缺失值，编码分类特征（如有需要），将数据划分为训练集和测试集。

data = fetch_california_housing()
X, y = data.data, data.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

3. **模型构建**:
- **岭回归** (Lasso Regression):

     from sklearn.linear_model import Lasso
     lasso_reg = Lasso(alpha=0.1)
     lasso_reg.fit(X_train, y_train)

- **神经网络** (例如，使用Keras):

     from tensorflow.keras.models import Sequential
     model = Sequential([
         Dense(64, activation='relu', input_shape=(X_train.shape[1],)),
         Dense(1)
     ])
     model.compile(optimizer='adam', loss='mean_squared_error')
     model.fit(X_train, y_train, epochs=50)

- **支持向量机** (SVM) with RBF kernel:

     from sklearn.svm import SVR
     svm_reg = SVR(kernel='rbf')
     svm_reg.fit(X_train, y_train)

4. **模型评估**:
- 计算预测误差（如均方根误差(MSE)和平均绝对误差(MAE)) 和决定系数(R^2)。

mse_lasso = mean_squared_error(y_test, lasso_reg.predict(X_test))
mae_lasso = mean_absolute_error(y_test, lasso_reg.predict(X_test))
r2_lasso = r2_score(y_test, lasso_reg.predict(X_test))

# 神经网络和SVM同理
...

5. **对比分析**:
- 绘制预测结果与实际结果的散点图，并计算每种模型的MSE、MAE和R^2。

import matplotlib.pyplot as plt

plt.scatter(y_test, lasso_reg.predict(X_test), label="Lasso MSE: {:.2f}, MAE: {:.2f}, R^2: {:.2f}".format(mse_lasso, mae_lasso, r2_lasso))
...
plt.legend()
plt.show()