预测房价:回归的范例
机器学习问题的另一种类型是回归。回归预测的对象是连续值而非离散的标签。例如,用气象数据预测明天的气温;或者,根据详细计划书预测软件工程的完工日期。
波士顿房屋价格数据集
你将尝试预测房屋的中位价。数据点包括:1970 年代中期,在波士顿郊区,犯罪率,当地财产税率等。数据集只有 506 个数据点,并分成 404 个训练样本和 102 个测试样本。输入数据的特征,例如犯罪率,数值的变化范围大。例如,有的取值 0 至 1;有的取值 1 至 12 或 0 至 100,等等。
装入波士顿房屋数据集
from keras.datasets import boston_housing
(train_data, train_targets), (test_data, test_targets) = boston_housing.load_data()
# 看下数据:
>>> train_data.shape
(404, 13)
>>> test_data.shape
(102, 13)
# 13 个特征,如人均犯罪率、每处住宅的房间数、上公路的方便程度,等等
# 目标是房产的中位价(单位千美元):
>>> train_targets
[ 15.2, 42.3, 50. ... 19.4, 19.4, 29.1]
# 典型价格 10,000 至 50,000美元
数据预处理
现有数据值范围差别大,网络难以学习使用。对此,最好的处理办法是特征归一化:减去平均值再除以标准差。
数据归一化
mean = train_data.mean(axis=0)
train_data -= mean
std = train_data.std(axis=0)
train_data /= std
test_data -= mean
test_data /= std
注意,测试数据集做归一化时,用到的平均值和标准差是训练数据集计算所得。决不能用测试数据集做这种计算。
建立网络
由于样本很少,你将使用很小的网络,2 个隐藏层,每层 64 个单元。一般地说,训练数据越少,过度拟合越重。用小网络是减缓过度拟合的一个办法。
定义模型
from keras import models
from keras import layers
def build_model():
model = models.Sequential()
model.add(layers.Dense(64, activation='relu',
input_shape=(train_data.shape[1],)))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(1))
model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])
return model
网络最后一层只有一个单元,没有激活函数,形成线性层。这是典型的离散回归,用于预测单一连续值。若用激活函数,会限制输出值的范围。例如,在末层使用 S 型函数,网络将只学习预测 0 至 1 的值。现在,末层是纯线性的,网络可自由学习预测任意范围的值。
注意,编译这个网络时,你用的损失函数是 mse (mean squared error),预测与目标差值的平方。这个损失函数在回归问题上广泛使用。
在训练过程中,你监测了新的指标 MAE (mean absolute error),它是预测和目标的绝对差值。例如,若测到 MAE 为 0.5,则意味着你的预测偏离平均值 500 美元。
对你的训练进行 K 折验证
验证需要从训练用数据分出一部分供验证使用。但是,本例数据集很小,分割出的数据无法正常评估模型的表现。
这时最好的实用办法是 K 折交叉验证。它把数据分成 K 个部分(一般,K = 4 或 5),一个单独的子样本被保留作为验证模型的数据,其他K-1个样本用来训练。交叉验证重复K次,每个子样本验证一次,平均K次的结果或者使用其它结合方式,最终得到一个单一估测。
K 折交叉验证
import numpy as np
k=4
num_val_samples = len(train_data) // k
num_epochs = 100
all_scores = []
for i in range(k):
print('processing fold #', i)
val_data = train_data[i * num_val_samples: (i + 1) * num_val_samples]
val_targets = train_targets[i * num_val_samples: (i + 1) * num_val_samples]
partial_train_data = np.concatenate(
[train_data[:i * num_val_samples],
train_data[(i + 1) * num_val_samples:]],
axis=0)
partial_train_targets = np.concatenate(
[train_targets[:i * num_val_samples],
train_targets[(i + 1) * num_val_samples:]],
axis=0)
model = build_model()
model.fit(partial_train_data, partial_train_targets,
epochs=num_epochs, batch_size=1, verbose=0)
val_mse, val_mae = model.evaluate(val_data, val_targets, verbose=0)
all_scores.append(val_mae)
# 以 num_epochs = 100 运行,结果如下:
>>> all_scores
[2.588258957792037, 3.1289568449719116, 3.1856116051248984, 3.0763342615401386]
>>> np.mean(all_scores)
2.9947904173572462
各次运行成绩不同,从 2.6 至 3.2。平均值 3.0 比较靠谱,这意味着偏离均价 3,000 美元。
让我们增加训练达到 500 次迭代。为了记下每次迭代的成绩,你应增加代码保存验证成绩。
保存每一 K 折的验证成绩
num_epochs = 500
all_mae_histories = []
for i in range(k):
print('processing fold #', i)
val_data = train_data[i * num_val_samples: (i + 1) * num_val_samples]
val_targets = train_targets[i * num_val_samples: (i + 1) * num_val_samples]
partial_train_data = np.concatenate(
[train_data[:i * num_val_samples],
train_data[(i + 1) * num_val_samples:]],
axis=0)
partial_train_targets = np.concatenate(
[train_targets[:i * num_val_samples],
train_targets[(i + 1) * num_val_samples:]],
axis=0)
model = build_model()
history = model.fit(partial_train_data, partial_train_targets,
validation_data=(val_data, val_targets),
epochs=num_epochs, batch_size=1, verbose=0)
mae_history = history.history['val_mean_absolute_error']
all_mae_histories.append(mae_history)
你可以计算每个 K 折每次迭代的 MAE 平均成绩,并用图展示。
average_mae_history = [np.mean([x[i] for x in all_mae_histories]) for i in range(num_epochs)]
import matplotlib.pyplot as plt
plt.plot(range(1, len(average_mae_history) + 1), average_mae_history)
plt.xlabel('Epochs')
plt.ylabel('Validation MAE')
plt.show()
由于伸缩的原因,图有点难看。让我们做以下修改:
- 省略开头 10 个数据点,因其数值范围与众不同。
- 对前面的相关点做指数平均移动,得到平滑曲线。
def smooth_curve(points, factor=0.9):
smoothed_points = []
for point in points:
if smoothed_points:
previous = smoothed_points[-1]
smoothed_points.append(previous * factor + point * (1 - factor))
else:
smoothed_points.append(point)
return smoothed_points
smooth_mae_history = smooth_curve(average_mae_history[10:])
plt.plot(range(1, len(smooth_mae_history) + 1), smooth_mae_history)
plt.xlabel('Epochs')
plt.ylabel('Validation MAE')
plt.show()
在你完成调整模型的其他参数后,或者增加迭代次数调整隐藏层的大小后,你可以用全部数据和最优参数,训练定型后的模型,并用测试数据查看它的性能表现。
训练定型后的模型
model = build_model()
model.fit(train_data, train_targets,epochs=80, batch_size=16, verbose=0)
test_mse_score, test_mae_score = model.evaluate(test_data, test_targets)
# 以下是最终结果:
>>> test_mae_score
2.5532484335057877
# 你还相差约 2,550 美元