机器学习项目实战：房价预测系统构建
1. 问题定义与学习类型判断
在开始设计系统之前，我们需要明确问题的类型。我们拥有某地区的人口普查数据，其中包含数千个地区的房价中位数等信息。接下来要判断这是监督学习、无监督学习还是强化学习，是分类任务、回归任务还是其他任务，以及应使用批量学习还是在线学习技术。
经过分析，这是一个典型的监督学习任务，因为我们有带标签的训练示例，每个实例都有预期输出，即该地区的房价中位数。同时，这也是一个回归任务，因为我们要预测一个值。更具体地说，这是一个多元回归问题，系统会使用多个特征（如地区人口、收入中位数等）进行预测；而且是单变量回归问题，因为我们只为每个地区预测一个值，如果要为每个地区预测多个值，那就是多变量回归问题。由于没有持续的数据流入系统，也不需要快速适应数据变化，并且数据量小到可以放入内存，所以普通的批量学习就足够了。如果数据量巨大，可以使用MapReduce技术将批量学习工作分散到多个服务器上，或者采用在线学习技术。
2. 选择性能指标
对于回归问题，均方根误差（RMSE）是一个典型的性能指标。它能让我们了解系统预测通常会产生多少误差，并且对大误差赋予更高的权重。RMSE的计算公式如下：
[RMSE(X, h) = \sqrt{\frac{1}{m} \sum_{i = 1}^{m} (h(x^{(i)}) - y^{(i)})^2}]
这里引入了一些常见的机器学习符号：
- (m)：用于测量RMSE的数据集实例数量。例如，在评估2000个地区的验证集上的RMSE时，(m = 2000)。
- (x^{(i)})：数据集中第(i)个实例的所有特征值（不包括标签）组成的向量
