以下是一个简单的机器学习算法Demo（使用Python和Scikit-learn库），展示如何用线性回归算法预测房价：

# 导入所需库
import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

# 生成示例数据集（房屋面积 vs 价格）
# 面积(平方米)
X = np.array([50, 60, 70, 80, 90, 100]).reshape(-1, 1)
# 价格(万元)
y = np.array([200, 250, 280, 310, 330, 360])

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X, y)

# 预测120平方米房屋的价格
area_to_predict = np.array([[120]])
predicted_price = model.predict(area_to_predict)

# 可视化结果
plt.scatter(X, y, color='blue', label='实际数据')
plt.plot(X, model.predict(X), color='red', label='预测模型')
plt.scatter(area_to_predict, predicted_price, color='green', s=100, label='预测值')
plt.xlabel('房屋面积（平方米）')
plt.ylabel('价格（万元）')
plt.title('房屋价格预测')
plt.legend()
plt.grid(True)
plt.show()

print(f"预测结果：120平方米的房屋价格约{predicted_price[0]:.2f}万元")
print(f"模型方程：价格 = {model.coef_[0]:.2f} × 面积 + {model.intercept_:.2f}")

代码说明：

1. 数据集：虚构了6套房屋的面积和价格数据
2. 算法：使用线性回归模型（最基础的监督学习算法）
3. 预测：预测120平方米房屋的价格
4. 输出：
   • 可视化图表（蓝点=实际数据，红线=预测模型，绿点=预测值）
   • 预测价格和模型方程

运行效果示例：

预测结果：120平方米的房屋价格约413.33万元
模型方程：价格 = 3.29 × 面积 + 42.86

关键机器学习概念：

1. 特征（Features）：房屋面积（输入变量）
2. 标签（Labels）：房屋价格（要预测的值）
3. 训练（Training）：model.fit() 学习数据规律
4. 预测（Prediction）：model.predict() 对新数据做出预测

如何扩展：

1. 使用真实数据集（如波士顿房价数据集）
2. 尝试其他算法（决策树、随机森林等）
3. 添加更多特征（房间数、地段等）
4. 实现分类算法（如预测是否溢价）

提示：运行前需安装sklearn和matplotlib库： pip install scikit-learn matplotlib