利用Keras加载波士顿房价趋势数据集，构建线性网络，并对其进行编译和训练

首先，我们需要了解如何使用Keras库加载波士顿房价数据集。这个数据集通常包含14种特征和一个目标变量，代表了波士顿地区的房价。以下是步骤：

1. **导入所需的库**:

   import numpy as np
   from keras.datasets import boston_housing
   from keras.models import Sequential
   from keras.layers import Dense

2. **加载数据集**:

   (train_data, train_labels), (test_data, test_labels) = boston_housing.load_data()

3. **数据预处理**:
- 数据标准化或归一化，因为Keras模型通常对输入有特定的要求。

   mean = train_data.mean(axis=0)
   std = train_data.std(axis=0)
   train_data -= mean
   train_data /= std
   test_data -= mean
   test_data /= std

4. **创建模型**:
使用`Sequential`模型，添加一个输入层和一个全连接输出层。

   model = Sequential([
       Dense(64, activation='relu', input_shape=(train_data.shape[1],)),  # 输入层
       Dense(64, activation='relu'),  # 隐藏层
       Dense(1)  # 输出层，这里假设我们只有一个预测值
   ])

5. **编译模型**:
设置损失函数、优化器和评估指标。

   model.compile(loss='mse', optimizer='adam', metrics=['mae'])  # mse for regression task

6. **训练模型**:

   model.fit(train_data, train_labels, epochs=100, batch_size=32, validation_split=0.2)

这里设置了100轮迭代（epochs），每个批次训练32个样本，并保留20%的数据作为验证集。

7. **评估模型**:

   test_loss, test_mae = model.evaluate(test_data, test_labels, verbose=0)
   print(f"Test loss: {test_loss:.2f}, Test MAE: {test_mae:.2f}")