网站缺点,品牌网站设计制作多少钱,广东佛山网络有限公司,企业网站建设培训参考自《动手学深度学习》中“Kaggle比赛实战#xff1a;预测房价”一节 一、数据准备
首先从网站上下载要获取的房价数据。
DATA_HUB是一个字典#xff0c;用来将数据集名称的字符串和数据集相关的二元组一一对应。
二元组包含两个值#xff1a;数据集的URL和用来验证文… 参考自《动手学深度学习》中“Kaggle比赛实战预测房价”一节 一、数据准备
首先从网站上下载要获取的房价数据。
DATA_HUB是一个字典用来将数据集名称的字符串和数据集相关的二元组一一对应。
二元组包含两个值数据集的URL和用来验证文件完整性的sha-1密钥。
※所有数据都托管在地址为DATA_URL的网站上。
获取数据的代码如下
import hashlib
import os
import tarfile
import zipfile
import requests#save
DATA_HUB dict()
DATA_URL http://d2l-data.s3-accelerate.amazonaws.com/# 下载数据集并缓存到本地文件目录中
# 函数download()接受两个参数name要下载的数据集的名称和cache_dir缓存目录的路径
def download(name, cache_diros.path.join(.., Kaggle_Data)): #save下载一个DATA_HUB中的文件返回本地文件名# 检查name是否在DATA_HUB字典中存在assert name in DATA_HUB, f{name} 不存在于 {DATA_HUB}url, sha1_hash DATA_HUB[name]os.makedirs(cache_dir, exist_okTrue)fname os.path.join(cache_dir, url.split(/)[-1])if os.path.exists(fname):sha1 hashlib.sha1()with open(fname, rb) as f:while True:data f.read(1048576)if not data:breaksha1.update(data)if sha1.hexdigest() sha1_hash:return fname # 命中缓存print(f正在从{url}下载{fname}...)r requests.get(url, streamTrue, verifyTrue)with open(fname, wb) as f:f.write(r.content)return fnamedef download_extract(name, folderNone): #save下载并解压zip/tar文件fname download(name)base_dir os.path.dirname(fname)data_dir, ext os.path.splitext(fname)if ext .zip:fp zipfile.ZipFile(fname, r)elif ext in (.tar, .gz):fp tarfile.open(fname, r)else:assert False, 只有zip/tar文件可以被解压缩fp.extractall(base_dir)return os.path.join(base_dir, folder) if folder else data_dirdef download_all(): #save下载DATA_HUB中的所有文件for name in DATA_HUB:download(name)
二、读取数据
使用pandas分别加载两个CSV文件读取文件内数据。
%matplotlib inline
import numpy as np
import pandas as pd
import torch
from torch import nn
from d2l import torch as d2lDATA_HUB[kaggle_house_train] ( #saveDATA_URL kaggle_house_pred_train.csv,585e9cc93e70b39160e7921475f9bcd7d31219ce)DATA_HUB[kaggle_house_test] ( #saveDATA_URL kaggle_house_pred_test.csv,fa19780a7b011d9b009e8bff8e99922a8ee2eb90)# 加载提供的测试集和数据集
train_data pd.read_csv(download(kaggle_house_train))
test_data pd.read_csv(download(kaggle_house_test))# 打印训练集和测试集数据的情况得到其样本数与特征值的数量
print(train_data.shape)
print(test_data.shape)
# 打印前四个和最后一个特征以及相应标签房价
print(train_data.iloc[0:4, [0, 1, 2, 3, -3, -2, -1]])
三、数据预处理
在对数据进行预处理时首先要针对缺失值进行操作将所有缺失值替换为相应特征的平均值。
然后对数据进行标准化将所有数据样本标准化到同一个分布上将特征重新缩放均值为0方差为单位方差。
标准化形式如下所示 标准化后用样本均值来填充缺失数据。由于样本均值为0故用0填补缺失值。
# 若无法获得测试数据则可根据训练数据计算均值和标准差
numeric_features all_features.dtypes[all_features.dtypes ! object].index
all_features[numeric_features] all_features[numeric_features].apply(lambda x: (x - x.mean()) / (x.std()))
# 在标准化数据之后所有均值消失因此我们可以将缺失值设置为0
all_features[numeric_features] all_features[numeric_features].fillna(0)
接下来处理离散值。
使用独热编码One-Hot Encoding处理分类型分类数据将每个类别都转换成一个单独的列并用 0 和 1 来表示每个样本是否属于该类别。
如果设置 dummy_naTrue那么还会为每个分类变量中的缺失值NaN创建一个额外的列。在这个额外的列中如果原始数据集中的样本在该分类变量上的值是缺失的那么在这个新列中为该样本赋值 1否则赋值 0。
# “Dummy_naTrue”将“na”缺失值视为有效的特征值并为其创建指示符特征
all_features pd.get_dummies(all_features, dummy_naTrue)
all_features.shape# 再次检查all_features中是否存在NAN数据将其记为0
non_numeric_columns all_features.select_dtypes(exclude[np.number]).columns
print(non_numeric_columns)for column in non_numeric_columns:all_features[column] all_features[column].astype(float)all_features all_features.fillna(0)
最后通过value属性可以将pandas格式的数据提取为numpy格式将其转化为张量。
n_train train_data.shape[0]
train_features torch.tensor(all_features[:n_train].values, dtypetorch.float32)
test_features torch.tensor(all_features[n_train:].values, dtypetorch.float32)
train_labels torch.tensor(train_data.SalePrice.values.reshape(-1, 1), dtypetorch.float32)
四、训练模型
训练一个带有损失函数的线性模型。线性模型较为简单可作为基线模型后续可以加之以改进。
· MSELoss()表示均方损失函数
· in_features表示输入值其个数大小和特征值的数目相同也就是train_features的第一维
· 定义全连接层Linear层输入为in_features输出为一个数。
loss nn.MSELoss()
in_features train_features.shape[1]def get_net():net nn.Sequential(nn.Linear(in_features,1))return net
房价就像股票价格一样相对误差的重要性大于绝对误差。 例如如果我们在俄亥俄州农村地区估计一栋房子的价格时 假设我们的预测偏差了10万美元 然而那里一栋典型的房子的价值是12.5万美元 那么模型可能做得很糟糕。 另一方面如果我们在加州豪宅区的预测出现同样的10万美元的偏差 在那里房价中位数超过400万美元 这可能是一个不错的预测。
用价格预测的对数来衡量差异。预测价格的对数与真实标签价格的对数之间出现以下均方根误差 log_rmse()函数对神经网络做出一个对数相对误差计算返回一个误差值。
这个误差值可用来衡量模型的精度。
def log_rmse(net, features, labels):# 为了在取对数时进一步稳定该值将小于1的值设置为1clipped_preds torch.clamp(net(features), 1, float(inf))rmse torch.sqrt(loss(torch.log(clipped_preds),torch.log(labels)))return rmse.item()
借助Adam算法训练模型参数。Adam算法即自适应时刻估计方法Adaptive Moment Estimation能计算每个参数的自适应学习率。不仅存储了AdaDelta先前平方梯度的指数衰减平均值而且保持了先前梯度M(t)的指数衰减平均值。
· train_ls、test_ls两个数组用来存储训练损失和测试损失。
· 使用torch里的函数创建好迭代器访问训练数据集的特征与标签。
· 定义Adam优化器。
· 执行迭代每次迭代先清除上一次迭代的梯度使用net(X)获取预测结果然后用loss()计算损失l用l进行反向传播更新梯度与模型参数。在每次迭代结束后用对数损失计算函数计算训练集和测试集上的对数误差然后将误差结果添加到数组里。
· 返回误差结果。
def train(net, train_features, train_labels, test_features, test_labels,num_epochs, learning_rate, weight_decay, batch_size):train_ls, test_ls [], []train_iter d2l.load_array((train_features, train_labels), batch_size)# 这里使用的是Adam优化算法optimizer torch.optim.Adam(net.parameters(),lr learning_rate,weight_decay weight_decay)for epoch in range(num_epochs):for X, y in train_iter:optimizer.zero_grad()l loss(net(X), y)l.backward()optimizer.step()train_ls.append(log_rmse(net, train_features, train_labels))if test_labels is not None:test_ls.append(log_rmse(net, test_features, test_labels))return train_ls, test_ls
五、K则交叉验证
利用K则交叉验证来评估模型的性能。通过K则交叉验证在不同折上的不同表现以及比较模型对训练集和测试集上的误差可以确定模型遇到的一些问题确定其是否遇到欠拟合或过拟合。
如果多数折中模型在训练集上的误差明显低于验证集这表明过拟合。如果在多数折中模型在训练集和验证集上的误差都很高这表明欠拟合。
另外K则交叉验证也可辅助进行参数调优。准备好不同的超参数组合各自在K则交叉验证上验证模型的效果并选择效果最好的那个组合。使用选定的最优超参数在所有可用的训练数据上重新训练模型构建最终模型。
例假设正在训练一个神经网络并想确定最佳的学习率和批量大小。可以定义一个参数空间如学习率 [0.01, 0.001, 0.0001] 和批量大小 [16, 32, 64]。对于这个参数空间中的每个组合共9种使用k折交叉验证来评估模型性能然后选择平均性能最佳的组合。
def get_k_fold_data(k, i, X, y):assert k 1fold_size X.shape[0] // kX_train, y_train None, Nonefor j in range(k):idx slice(j * fold_size, (j 1) * fold_size)X_part, y_part X[idx, :], y[idx]if j i:X_valid, y_valid X_part, y_partelif X_train is None:X_train, y_train X_part, y_partelse:X_train torch.cat([X_train, X_part], 0)y_train torch.cat([y_train, y_part], 0)return X_train, y_train, X_valid, y_valid
def k_fold(k, X_train, y_train, num_epochs, learning_rate, weight_decay,batch_size):train_l_sum, valid_l_sum 0, 0for i in range(k):data get_k_fold_data(k, i, X_train, y_train)net get_net()train_ls, valid_ls train(net, *data, num_epochs, learning_rate,weight_decay, batch_size)train_l_sum train_ls[-1]valid_l_sum valid_ls[-1]if i 0:d2l.plot(list(range(1, num_epochs 1)), [train_ls, valid_ls],xlabelepoch, ylabelrmse, xlim[1, num_epochs],legend[train, valid], yscalelog)print(f折{i 1}训练log rmse{float(train_ls[-1]):f}, f验证log rmse{float(valid_ls[-1]):f})return train_l_sum / k, valid_l_sum / k
k, num_epochs, lr, weight_decay, batch_size 5, 100, 5, 0, 64
train_l, valid_l k_fold(k, train_features, train_labels, num_epochs, lr,weight_decay, batch_size)
print(f{k}-折验证: 平均训练log rmse: {float(train_l):f}, f平均验证log rmse: {float(valid_l):f})
最终呈现的验证效果 六、预测结果
· 定义net为之前定义好的神经网络层。
· 调用train()函数获取训练误差并绘制图像呈现训练误差的效果。
· 模型训练好后使用训练好的模型对测试集进行预测并将结果从Pytorch张量转化为Numpy数组保存到preds里。
· 将预测结果preds添加到test_data这个DataFrame变量中的SalePrice列里。
※pd.Series(preds.reshape(1,-1)[0])表示将preds转化为一行n列-1表示根据总元素数量自动确定的Numpy数组再将第1行也就是这个数组全部元素转化为Series类型变量以便添加到test_data的列中去。
· 合并Id列和SalePrice列将其保存为CSV文件。
def train_and_pred(train_features, test_features, train_labels, test_data,num_epochs, lr, weight_decay, batch_size):net get_net()train_ls, _ train(net, train_features, train_labels, None, None,num_epochs, lr, weight_decay, batch_size)d2l.plot(np.arange(1, num_epochs 1), [train_ls], xlabelepoch,ylabellog rmse, xlim[1, num_epochs], yscalelog)print(f训练log rmse{float(train_ls[-1]):f})# 将网络应用于测试集。preds net(test_features).detach().numpy()# 将其重新格式化以导出到Kaggletest_data[SalePrice] pd.Series(preds.reshape(1, -1)[0])submission pd.concat([test_data[Id], test_data[SalePrice]], axis1)submission.to_csv(submission.csv, indexFalse)
train_and_pred(train_features, test_features, train_labels, test_data,num_epochs, lr, weight_decay, batch_size)
最终呈现的模型效果
