基于pytorch的简单回归问题之波士顿房价预测

数据背景介绍

波士顿房价数据集housing.data是统计的20世纪70年代期波士顿郊区房价的中位数,统计了当时犯罪率,房产税等13个指标。本例子属于回归模型的案例,在数据集中包含506个数据,其中划分训练集和测试集分别为496和10。
数据每行的前13个是属性,最后MEDV代表房价(单位1000美元)

在这里插入图片描述
在这里插入图片描述
在pycharm中打开的数据集
在这里插入图片描述
代码
以下是详细包含一个隐藏层的回归模型代码

import torch

#data 解析数据
import numpy as np
import re
ff = open("housing.data").readlines()  #读取所有的行形成一个所有行列表,注意后面有s
# print(ff)
data = [] #定义一个data列表,将数据加入其中
for item in ff:
    out = re.sub(r"\s{2,}", " ", item).strip()  #将多个空格合并成一个并且去掉其中的换行符
    #print(out)
    data.append(out.split(" ")) #将数据以空格分开并添加到data列表中

data = np.array(data).astype(np.float_) #将数据转换成np矩阵,数据类型为float
#print(data)
print(data.shape)
Y = data[:, -1].reshape(506, 1)
X = data[:, 0:-1].reshape(506, 13)

Y_train = Y[0:496, :]
X_train = X[0:496, :]

Y_test = Y[496:, :]
X_test = X[496:, :]
print(Y_test.shape)
print(X_test.shape)

#net 搭建网络
class Net(torch.nn.Module):  #继承nn.Module
    def __init__(self, n_feature, n_output):
        super(Net, self).__init__()
        self.hidden = torch.nn.Linear(n_feature, 100)
        self.predict = torch.nn.Linear(100, n_output)  #线性回归模型
    def forward(self, x):
        out = self.hidden(x)
        out = torch.relu(out)
        out = self.predict(out)

        return out
net = Net(13, 1) #初始化网络模型

#loss 定义损失函数
loss_func = torch.nn.MSELoss()  #均方损失

#optimiter  优化器
optimizer = torch.optim.Adam(net.parameters(), lr=0.01)

#training 训练模型
for i in range(10000):
    x_data = torch.tensor(X_train, dtype=torch.float32)
    y_data = torch.tensor(Y_train, dtype=torch.float32)
    pred = net.forward(x_data)  #计算预测值
    loss = loss_func(pred, y_data)*0.001  #计算loss

    optimizer.zero_grad()  #梯度值为0
    loss.backward()
    optimizer.step()  #网络中的参数进行更新
    print("ite:{}, loss_train:{}".format(i, loss))
    print(pred[0:10])
    print(y_data[0:10])

#test 测试模型
    x_data = torch.tensor(X_test, dtype=torch.float32)
    y_data = torch.tensor(Y_test, dtype=torch.float32)
    pred = net.forward(x_data)  #计算预测值
    loss_test = loss_func(pred, y_data)*0.001  #计算loss
    print("ite:{}, loss_test:{}".format(i, loss))

#保存模型 1.将整个模型保存下来 2.只是将模型参数保存
torch.save(net, "model/model.pkl")  #将模型整体保存
# torch.load("")                       #加载模型
# torch.save(net.state_dict(), "params.pkl")
# net.load_state_dict("")              #需要先将模型定义出来,然后再将参数加载出来

将模型保存下来后可以直接对测试集进行预测

import torch

#data 解析数据
import numpy as np
import re
ff = open("housing.data").readlines()  #读取所有的行形成一个所有行列表,注意后面有s
# print(ff)
data = [] #定义一个data列表,将数据加入其中
for item in ff:
    out = re.sub(r"\s{2,}", " ", item).strip()  #将多个空格合并成一个并且去掉其中的换行符
    #print(out)
    data.append(out.split(" ")) #将数据以空格分开并添加到data列表中

data = np.array(data).astype(np.float_) #将数据转换成np矩阵,数据类型为float
#print(data)
print(data.shape)
Y = data[:, -1].reshape(506, 1)
X = data[:, 0:-1].reshape(506, 13)

Y_train = Y[0:496, :]
X_train = X[0:496, :]

Y_test = Y[496:, :]
X_test = X[496:, :]
print(Y_test.shape)
print(X_test.shape)

#net 搭建网络
class Net(torch.nn.Module):  #继承nn.Module
    def __init__(self, n_feature, n_output):
        super(Net, self).__init__()
        self.hidden = torch.nn.Linear(n_feature, 100)
        self.predict = torch.nn.Linear(100, n_output)  #线性回归模型
    def forward(self, x):
        out = self.hidden(x)
        out = torch.relu(out)
        out = self.predict(out)

        return out

net = torch.load("model/model.pkl")  **#加载模型**
#loss 定义损失函数
loss_func = torch.nn.MSELoss()  #均方损失

#test 测试模型
x_data = torch.tensor(X_test, dtype=torch.float32)
y_data = torch.tensor(Y_test, dtype=torch.float32)
pred = net.forward(x_data)  #计算预测值
loss_test = loss_func(pred, y_data)*0.001  #计算loss
print("loss_test:{}".format(loss_test))

测试集的损失值大约为9.3
在这里插入图片描述

  • 5
    点赞
  • 59
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
使用Pytorch进行波士顿房价预测的线性回归可以通过以下步骤进行: 1. 导入并查看数据:使用Pytorch原生算法实现线性回归时,首先需要导入数据并查看数据的结构和内容。这可以通过使用torch.tensor将数据转换为Pytorch的张量,并使用print函数查看数据的形状和值。 2. 数据预处理:在进行线性回归之前,通常需要对数据进行预处理。其中包括数据归一化和数据分割。数据归一化是将数据映射到一个特定的范围,以便更好地进行训练。数据分割是将数据分为训练集和测试集,以便进行模型的训练和评估。 3. 迭代训练使用Pytorch的原生算法实现线性回归时,可以使用torch.optim中的优化器,如SGD或Adam,以及torch.nn中的损失函数,如均方误差(MSE),来进行迭代训练。迭代训练的过程是通过调整模型的参数,使得模型的预测结果尽可能接近真实标签。 4. 数据验证:在迭代训练完成后,可以使用测试集数据来验证模型的性能。通过将测试集数据输入模型,并计算预测结果与真实标签之间的损失值来评估模型的准确性。 以上是使用Pytorch进行波士顿房价预测线性回归的基本步骤。你可以按照这些步骤编写代码,并参考引用和引用的代码示例来实现。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [深度学习 神经网络(4)线性回归-Pytorch实现房价预测](https://blog.csdn.net/Leytton/article/details/127561477)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *3* [pytorch搭建CNN+LSTM+Attention网络实现行车速度预测项目代码加数据](https://download.csdn.net/download/2301_79009758/88247134)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值