利用bp神经网络预测房价，采用波士顿房价代码

利用BP（Backpropagation，反向传播）神经网络预测房价是一种常见的机器学习应用场景，特别是在数据分析和房地产市场预测中。在Python的scikit-learn库中，有一个经典的例子使用波士顿房价数据集（Boston Housing dataset），来进行房价预测。

首先，你需要做的是导入所需的库，如numpy、pandas、matplotlib和sklearn等：

import numpy as np
import pandas as pd
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neural_network import MLPRegressor
from sklearn.metrics import mean_squared_error

然后，加载波士顿房价数据并进行预处理：

boston = load_boston()
df = pd.DataFrame(boston.data, columns=boston.feature_names)
target = boston.target

# 数据归一化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(df)

# 分割训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, target, test_size=0.2, random_state=42)

接下来，创建一个简单的单隐藏层神经网络模型：

model = MLPRegressor(hidden_layer_sizes=(8,), activation='relu', max_iter=5000)

对模型进行训练：

model.fit(X_train, y_train)

最后，评估模型性能：

y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print("Mean Squared Error:", mse)

在这个过程中，你可以调整网络结构（如隐藏层大小）、激活函数和迭代次数等超参数，以优化预测效果。