1、针对波士顿房价数据集，利用Python实现基于全连接神经网络的数据回归分析，并对数据以及结果进行分析及可视化；

在Python中，我们可以使用一些流行的库如NumPy处理数据，Pandas进行数据清洗和预处理，Scikit-learn构建和训练全连接神经网络模型，以及Matplotlib和Seaborn进行数据分析和可视化。以下是基本步骤：

1. **数据加载和预处理**:
使用`pandas`读取CSV文件并检查数据的基本信息，如有缺失值需要填充或删除。

import pandas as pd

data = pd.read_csv('boston_housing.csv')
data.describe()

2. **特征工程**:
根据需求选择或转换特征，例如归一化数值特征，将分类变量编码等。

3. **划分数据集**:
划分训练集和测试集，通常使用`train_test_split`函数。

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. **构建全连接神经网络**:
使用`Keras`库构建神经网络模型。这里是一个简单的例子，包括一个输入层、隐藏层和输出层。

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

model = Sequential([
    Dense(64, activation='relu', input_shape=(X.shape[1],)),
    Dense(32, activation='relu'),
    Dense(1)  # 输出层只有一个节点，因为我们预测的是一个连续值
])

5. **编译和训练模型**:
设置损失函数、优化器和评估指标，然后训练模型。

model.compile(optimizer='adam', loss='mse')  # 'mse'表示均方误差
model.fit(X_train, y_train, epochs=100, validation_data=(X_test, y_test))

6. **评估和分析**:
计算模型在测试集上的性能，比如R²分数或平均绝对误差(MAE)，并绘制学习曲线。

from sklearn.metrics import mean_squared_error, r2_score

y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

plt.plot(history.history['loss'], label='Training Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.legend()

7. **可视化**:
可视化房价预测结果与实际值的关系，以及特征重要性。

sns.scatterplot(x=y_test, y=y_pred)