数据分析-入门-神经网络-波士顿房价

@神经网络-波士顿房价-数据分析-入门2

0 导入必要的包

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score
from sklearn.metrics import mean_squared_error
import tensorflow as tf

1 加载数据

data = pd.read_csv(“d:/datasets/HousingData.csv”) #加载数据
‘’’
CRIM 城镇人均犯罪率
ZN 大于25,000平方英尺的地块划分为住宅用地的比例
INDUS 每个城镇非零售业务的比例
CHAS 查尔斯河虚拟变量（如果管道界限= 1则为河; =0则不为河）
NOX 一氧化氮浓度（每千万份）
RM 每间住宅的平均房间数
AGE 自住房屋是在1940年之前建造的比例
DIS 到加州五个就业中心的加权距离
RAD 对径向高速公路的可达性指数
TAX 每10,000美元的全价物业税
PTRATIO 城镇的学生与教师比例
B 1000（Bk-0.63）^ 2其中Bk是城镇的黑人的比例
LSTAT 低社会阶层人口比例％
MEDV 以1000美元为单位的自住房屋的中位数价值
‘’’

2 数据探索

data.head() #缺省前5行
data.tail() #缺省后5行
data.tail() #缺省后5行
data.describe()
data.info()

3 预处理

data.dropna(inplace=True) #去除不全的样本
data.info()
y = data[‘MEDV’] #取标签
X = data.copy().drop([‘MEDV’], axis=1) #取属性
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.3) #测试集训练集划分

4 神经网络

构建模型

model=tf.keras.Sequential()
#单层
model.add(tf.keras.layers.Dense(1,input_shape=(13,)))
‘’‘
#多层
model.add(tf.keras.layers.Dense(16,input_shape=(13,)))
model.add(tf.keras.layers.Dense(32))
model.add(tf.keras.layers.Dense(1))
’‘’

查看模型

model.summary() #单层，无激活函数

编译模型

model.compile(optimizer=“adam”, loss=“mse”, metrics=[“mse”]) # 编译模型

训练模型

his=model.fit(X_train,y_train,epochs=4000)

过程可视化

import matplotlib.pyplot as plt
%matplotlib inline
plt.figure(figsize=(10,5))
plt.plot(his.epoch, his.history.get(‘mse’))

plt.figure(figsize=(10,5))
plt.plot(his.epoch[40:], his.history.get(‘mse’)[40:])

预测与评价

y_pred = model.predict(X_test)
print(r2_score(y_test, y_pred))
print(mean_squared_error(y_test, y_pred))#均方误差