动手学深度学习-kaggle实例-房价

最新推荐文章于 2024-07-01 16:05:12 发布

一眼乾年

最新推荐文章于 2024-07-01 16:05:12 发布

阅读量786

点赞数

分类专栏：深度学习文章标签：深度学习机器学习人工智能

本文链接：https://blog.csdn.net/aiai2121/article/details/123011286

版权

本文介绍了如何在Kaggle平台上使用深度学习进行房价预测。通过参赛链接获取数据，参考代码完成模型训练，最终生成符合提交格式的submission.csv文件。在Kaggle上提交预测结果，评估模型误差。

摘要由CSDN通过智能技术生成

动手学深度学习-kaggle实例-房价

简介
代码
提交

简介

kaggle是一个供机器学习爱好者交流的平台。
该例子网址：https://www.kaggle.com/c/house-prices-advanced-regression-techniques
在这里插入图片描述
比赛数据集可以通过点击“Data”来获取

代码

供参考代码：

%matplotlib inline
import torch 
import torch.nn as nn 
import numpy as np
import pandas as pd
import d2lzh_pytorch as d2l

torch.set_default_tensor_type(torch.FloatTensor)
train_data = pd.read_csv('./data/kaggle_house/train.csv')
test_data = pd.read_csv('./data/kaggle_house/test.csv')

print(train_data.shape)
print(test_data.shape)#test与train相比，少了一个标签；而我们需要设计模型，将那个标签给预测出来

all_features = pd.concat((train_data.iloc[:, 1:-1], test_data.iloc[:, 1:]))

numeric_features = all_features.dtypes[all_features.dtypes != 'object'].index   #正好将特征名给提取出来了
all_features[numeric_features] = all_features[numeric_features].apply( lambda x: (x - x.mean()) / (x.std()))
#标准化后，所有特征的均值为0，所以将缺失的特征值设为0
all_features = all_features.fillna(0)

#dummy_na=True将缺失特征值也当做合法的特征值，并转换指示特征
all_features = pd.get_dummies(all_features, dummy_na=True)

n_train = train_data.shape[0]
train_features = torch.tensor(all_features[:n_train].values, dtype=torch.float)
test_features = torch.tensor(all_features[n_train:].values, dtype=torch.float)
train_labels = torch.tensor(train_data.SalePrice