要编写一个简单的AI代码，我们可以使用Python语言和一些流行的机器学习库，例如TensorFlow或PyTorch。下面是一个基于TensorFlow的简单AI模型示例，它用于预测房价。

首先，确保你已经安装了必要的库：

bash
pip install tensorflow numpy pandas matplotlib

接下来，我们将编写一个简单的神经网络来预测波士顿房价数据集中的房价。

1、导入所需的库

python
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.optimizers import Adam

2、加载并预处理数据

python
加载波士顿房价数据集
boston = load_boston()
data = pd.DataFrame(boston.data, columns=boston.feature_names)
data['PRICE'] = boston.target

定义特征和目标变量
X = data.drop('PRICE', axis=1)
y = data['PRICE']

将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

数据标准化
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

3、构建神经网络模型

python
构建模型
model = Sequential()

添加输入层和第一个隐藏层
model.add(Dense(64, activation='relu', input_shape=(X_train_scaled.shape[1],)))

添加第二个隐藏层
model.add(Dense(32, activation='relu'))

输出层
model.add(Dense(1))

编译模型
model.compile(optimizer=Adam(learning_rate=0.001), loss='mse', metrics=['mae'])

4、训练模型

python
训练模型
history = model.fit(X_train_scaled, y_train, epochs=100, batch_size=32, validation_split=0.2, verbose=1)

5、评估模型

python
在测试集上评估模型
loss, mae = model.evaluate(X_test_scaled, y_test, verbose=0)
print(fMean Absolute Error on Test Set: {mae})

6、绘制损失曲线

python
绘制训练和验证的损失曲线
plt.plot(history.history['loss'], label='Training Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.show()

这个代码展示了如何构建一个简单的神经网络来预测房价。你可以根据需要调整模型的层数、每层的神经元数量以及学习率等超参数。此外，你还可以尝试不同的激活函数、优化器等，以获得更好的性能。