步骤：

1. 加载数据集：

import pandas as pd

# 用pd.read_scv 加载scv数据 
pd.read_scv(file, sep)
california_housing_dataframe = pd.read_csv("https://download.mlcc.google.cn/mledu-datasets/california_housing_train.csv", sep=',')

# 用 reindex函数 随机化所有数据
# 用np.random.permutation()函数随机排列dataframe的index
california_housing_dataframe = california_housing_dataframe.reindex(np.random.permutation(california_housing_dataframe.index))

# 修改房价为以千为单位便于调节
california_housing_dataframe = california_housing_dataframe["median_house_value"] /= 1000.0

# 测试数据,输出摘要
california_housing_dataframe.describe()

2. 配置模型参数:

# 原理：
# 将房价 median_house_value 作为预测目标
# 将房间数 total_rooms 作为特征
# 采用Estimator API提供的 LinearRegressor接口

定义特征并配置特征列：
特征有分类数据和数值数据两种
本次使用的特征total-rooms 是数值数据
特征列：仅储存对特征数据的描述，不包含数据本身。

  # 获取特征数据：total-rooms
  my_feature = california_housing_dataframe[["total-rooms"]]
  
   # 定义特征列
  feature_columns = [tf.feature_column.numeric_column("total_rooms")]

定义目标:
获取目标

  # 获取 median_house_value
   targets = california_housing_dataframe["median_house_value"]

配置 LinearRegressor:
用LinearRegressor配置线性回归模型
用GradientDescentOptimizer训练模型
用clip_gradients_by_norm 配置梯度裁剪，以免梯度过大

# 定义训练：
my_optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.0000001)
my_optimizer = tf.contrib.estimator.clip_gradients_by_norm(my_optimizer, 5.0)

# 定义线性模型：
# 采用 my_optimizer 训练
# feature_columns 是特征列
linear_regressor = tf.estimator.LinearRegressor(feature_columns = feature_columns, optimizer = my_optimizer)

定义输入函数：
LinearRegressor是一个框架，没有数据输入，因此需要输入函数来进行数据输入，告诉tensorflow如何进行预处理，以及在训练期间如何批处理，随机处理及重复数据

步骤：

将Pandas的Series 转化为Numpy的字典
构造Tensorflow的 Dataset API 构造dataset对象
将数据拆分为 batch_size 大小的多批
循环 num_epochs 次，如果num_epochs为0则循环无数次
shuffle 如果为True，则对数据进行随机处理
迭代器，传递下一批数据

# 定义函数
def my_input_function(features, targets, batch_size = 1, shuffle = True, num_epochs = None)
    
    # 将pandas的series类型转化为字典
    features = {key: np.array(value) for key, value in dict(features).items()}
    
    # 创建dataset类型
    ds = Dataset.from_tensor_slices((features, targets))  # 数据最多占用2G空间
    ds = ds.batch(batch_size).repeat(num_epochs)

    # shuffle
    if shuffle:
        ds = ds.shuffle(buffer_size = 10000)

    # 返回数据集
    features, labels = ds.make_one_iterator().get_next()

    return features, labels

训练模型：

调用 train()训练模型

将my_input_function 封装在 lambda 中

  # 训练模型 
  _ = linear_regressor.train(input_fn = lambda:my_input_fn(my_feature, targets), steps=100)

评估模型：
做一次预测

    # 获取预测所需数据
    prediction_input_function = lambda: my_input_fn(my_feature, targets, num_epochs=1, shuffle=False)

    # 进行预测
    predictions = linear_regressor.predict(input_fn=prediction_input_fn)

    # 将预测结果转化为array形式便于计算MSE等
    predictions = np.array([item['predictions'][0] for item in predictions])

    # 计算MSE和RMSE并输出：
    mean_squared_error = metrics.mean_squared_error(predictions, targets)
    root_mean_squared_error = math.sqrt(mean_squared_error)
    print("Mean Squared Error (on training data): %0.3f" % mean_squared_error)
    print("Root Mean Squared Error (on training data): %0.3f" % root_mean_squared_error)

    # 为了评估效果，打印labels的max和min
    min_house_value = california_housing_dataframe["median_house_value"].min()
    max_house_value = california_housing_dataframe["median_house_value"].max()
    min_max_difference = max_house_value - min_house_value

    print("Min. Median House Value: %0.3f" % min_house_value)
    print("Max. Median House Value: %0.3f" % max_house_value)
    print("Difference between Min. and Max.: %0.3f" % min_max_difference)
    print("Root Mean Squared Error: %0.3f" % root_mean_squared_error)


    # 用pd.describe()进行评价
    # 创建一个dataframe类型容器
    calibration_data = pd.DataFrame()
    # 将预测值和目标值分别作为两列输入到dataframe容器中
    calibration_data["predictions"] = pd.Series(predictions)
    calibration_data["targets"] = pd.Series(targets)
    # 输出discribe来观察预测值和目标值之间的关系
    print(calibration_data.describe())


    # 通过绘制曲线来观察预测值和目标值之间的关系
    # 获取数据
    sample = california_housing_dataframe.sample(n=300)
    # 定义横轴范围
    x_0 = sample["total_rooms"].min()
    x_1 = sample["total_rooms"].max()
    # 获取线性回归的权重Weight和偏置值bias
    weight = linear_regressor.get_variable_value('linear/linear_model/total_rooms/weights')[0]
    bias = linear_regressor.get_variable_value('linear/linear_model/bias_weights')
    # 用两端点确定拟合的直线
    y_0 = weight * x_0 + bias 
    y_1 = weight * x_1 + bias
    # 绘制直线
    plt.plot([x_0, x_1], [y_0, y_1], c='r')
    # 定义坐标轴
    plt.ylabel("median_house_value")
    plt.xlabel("total_rooms")
    # 绘制原数据散点图
    plt.scatter(sample["total_rooms"], sample["median_house_value"])
    # 显示
    plt.show()