房价预测神经网络工作流

这个模板是一个n8n工作流，实现了房价预测的神经网络模型。该工作流通过Webhook接收房屋特征参数，经过神经网络计算后返回预测的房价。

## 前提条件
– 无特殊外部服务依赖
– 工作流完全在n8n内部运行

## 设置说明

### Webhook配置
– 配置Webhook节点接收房屋特征参数
– 参数包括：平方英尺、房间数量、房龄、到市中心的距离

### 神经网络结构
工作流构建了一个完整的神经网络，包含：

**输入层**
– 4个输入特征：平方英尺、房间数量、房龄、到市中心的距离

**隐藏层**
– 2个神经元，每个神经元接收所有4个输入特征
– 使用ReLU激活函数
– 包含权重和偏置参数

**输出层**
– 1个输出神经元，接收隐藏层2个神经元的输出
– 最终输出预测房价

## 工作流执行

1. **Webhook触发**
– 通过HTTP请求发送房屋特征参数
– 路径：/regression/house/price

2. **数据预处理**
– 使用Code节点提取和格式化输入参数
– 分别处理平方英尺、房间数量、房龄、距离参数

3. **神经网络计算**
– **输入层到隐藏层**：每个输入特征乘以对应的权重
– **加权求和**：计算每个神经元的加权和
– **偏置添加**：为每个神经元添加偏置值
– **激活函数**：使用ReLU函数进行非线性变换

4. **隐藏层到输出层**
– 隐藏层输出乘以输出层权重
– 加权求和后添加输出层偏置
– 得到最终的房价预测值

5. **响应返回**
– 通过Respond to Webhook节点返回预测结果
– 格式：{“price”: 预测值}

## 分步说明

### 1. Webhook节点
– 接收外部HTTP请求
– 提取查询参数中的房屋特征

### 2. 输入参数处理
– **Square Feet**：处理平方英尺参数
– **Number of Rooms**：处理房间数量参数
– **Age**：处理房龄参数
– **Distance to City**：处理到市中心距离参数

### 3. 隐藏层神经元1
– 接收4个输入特征
– 计算加权和：∑(输入值 × 权重)
– 添加偏置：84.52918
– ReLU激活：max(0, logit)

### 4. 隐藏层神经元2
– 接收4个输入特征
– 计算加权和：∑(输入值 × 权重)
– 添加偏置：94.53608
– ReLU激活：max(0, logit)

### 5. 输出层
– 接收2个隐藏层神经元的输出
– 计算加权和：∑(隐藏层输出 × 权重)
– 添加偏置：38.705364
– 输出最终房价预测

## 技术特点

– **完整的神经网络实现**：在n8n中实现了标准的神经网络结构
– **可配置权重**：所有权重和偏置参数都可调整
– **ReLU激活函数**：提供非线性变换能力
– **模块化设计**：每个计算步骤都有对应的节点
– **实时预测**：通过Webhook提供实时房价预测服务

## 应用场景

– 房地产价格评估
– 机器学习模型演示
– 神经网络原理教学
– 自动化预测系统开发