本篇是后面用tensorflow做回归时的一个参照，忍不住要说的是sklearn真是简单好用，要不是他没有卷积cnn等时髦模型，真是不想用其他家的了。
经典的sklearn集成模型
结果：
真是又快又准啊！由于该数据的已经是被打乱了，非原顺序，所以看起来是这样
另外参数优选的代码被注释掉了，感兴趣的可以自己调参。
卷积神经网路CNN
既然sklearn已经足够简单高效，为啥要用卷积神经网络(cnn)呢，江湖传言它有两个大优势：
1、sklearn需要人工进行特征优选，cnn会进行自动优选特征
2、随着训练数据的增多，sklearn的准确性就没啥大变化了，cnn则是越来越准，没有瓶颈。说实在的就boston房价这个数据也就506行，13个特征(列)，对cnn来说实在太少了，没个10万行数据，都看不出它的优势；
另外cnn虽然不用人工特征优选，但是搭建它的拓扑结构实在是个难搞的事，最让人炸裂的是tensorflow的结构，真是让人费解，关于它的结构网上很多介绍，我就不说了，但是用cnn做回归计算的文章非常罕见，请点赞！上代码
#参考http://blog.csdn.net/jerry81333/article/details/52979206 周莫烦的系列视频教程，跪地推荐
结果是这样的：
上文中只训练了200次，其实正常来说都是1000次起的，无奈手里只有小mac mini，显卡是N卡的同学可以用tensorflow的gpu版跑跑试试。
RNN之递归神经网路LSTM
在tensorflow里RNN才是做回归计算的正规军，其中LSTM更是让人工智能有了记忆，如果cnn最适合做的是图像识别，那么LSTM就是视频识别。网上的教程多是用正余弦数据在做预测，输入输出都是一维，我这用波士顿房价，输入是13个特征！
注意与前面两个模型不同的是，没有用train_test_split把训练数据分割，而是用的时序数据。
lstm输入和输出都是时序数据，是尊重时间的，和上两篇用的交叉数据集是不一样的，所以结果是这样的：
via:http://blog.csdn.net/baixiaozhe/article/details/54410313
