(1) 建立多元线性回归模型，根据商品房面积和房间数，预测销售价格。其中矩阵运算部分采用TensorFlow实现，数据加载、输入、输出等可以根据需要采用Python列表/NumPy数组来实现。(4分) ‌ ​ (2) 提示用户输入商品房面积和房间数，并对输入数据进行有效性检验。(3分) ‌ ​ 合理的输入如下： ‌ ​ 面积：20-500之间的实数 ‌ ​ 房间数：1-10之间的整数 ‌ ​ 如果输入正确，根据模型估计房价，并显示。 ‌ ​ 如果输入数据类型错误，或者输入数据范围不合理，根据错误类型提示，并等待用户重新输入。 ‌ ​ (3) 创建3D绘图对象来绘制空间点集(3分) ‌ ​ x轴表示商品房面积，y轴表示房间数，z轴表示样本的销售价格。 ‌ ​提示： ‌ ​ ① TensorFlow中矩阵求逆函数tf.linalg.inv() ‌ ​ ② 输入时，请注意商品房面积对应房间数的合理性 ‌ ​ ③ 绘制空间点集时需要导入以下包: ‌ ​ from mpl_toolkits.mplot3d import Axes3D ‌ ​ ④ 创建3D绘图对象 ‌ ​ fig=plt.figure() ‌ ​ ax3d=Axes3D(fig)

下面是一个示例代码，可以根据你的需求进行修改：

import tensorflow as tf
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt

# 构建数据集
area = np.random.uniform(20, 500, 100)
room_num = np.random.randint(1, 11, 100)
price = 100 * area + 50 * room_num + 5000 + np.random.normal(0, 2000, 100)

# 定义模型
x = tf.placeholder(tf.float32, [None, 2])
W = tf.Variable(tf.zeros([2, 1]))
b = tf.Variable(tf.zeros([1]))
y = tf.matmul(x, W) + b

# 定义损失函数和优化器
y_ = tf.placeholder(tf.float32, [None, 1])
loss = tf.reduce_mean(tf.square(y - y_))
train_step = tf.train.GradientDescentOptimizer(0.0001).minimize(loss)

# 训练模型
sess = tf.Session()
sess.run(tf.global_variables_initializer())
for i in range(1000):
    sess.run(train_step, feed_dict={x: np.transpose([area, room_num]), y_: np.transpose([price])})

# 预测房价
while True:
    try:
        input_area = float(input("请输入商品房面积（20-500之间的实数）："))
        if input_area < 20 or input_area > 500:
            raise ValueError
        input_room_num = int(input("请输入房间数（1-10之间的整数）："))
        if input_room_num < 1 or input_room_num > 10:
            raise ValueError
        input_data = np.array([[input_area, input_room_num]])
        predicted_price = sess.run(y, feed_dict={x: input_data})[0][0]
        print("预测房价为：", predicted_price)
        break
    except ValueError:
        print("输入数据不合法，请重新输入！")

# 绘制空间点集
fig = plt.figure()
ax3d = Axes3D(fig)
ax3d.scatter(area, room_num, price)
ax3d.set_xlabel("Area")
ax3d.set_ylabel("Room Number")
ax3d.set_zlabel("Price")
plt.show()

sess.close()