【动手学习深度学习--逐行代码解析合集】11实战Kaggle比赛：预测房价

【动手学习深度学习】逐行代码解析合集

11实战Kaggle比赛：预测房价

---

视频链接：动手学习深度学习–实战Kaggle比赛：预测房价
课程主页：https://courses.d2l.ai/zh-v2/
教材：https://zh-v2.d2l.ai/

1、下载和缓存数据集

首先，我们建立字典DATA_HUB， 它可以将数据集名称的字符串映射到数据集相关的二元组上， 这个二元组包含数据集的url和验证文件完整性的sha-1密钥。 所有类似的数据集都托管在地址为DATA_URL的站点上。

import hashlib
import tarfile
import zipfile
import requests
import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"
"====================1、下载和缓存数据集===================="
#@save
DATA_HUB = dict()
DATA_URL = 'http://d2l-data.s3-accelerate.amazonaws.com/'

下面的download函数用来下载数据集， 将数据集缓存在本地目录（默认情况下为…/data）中， 并返回下载文件的名称。 如果缓存目录中已经存在此数据集文件，并且其sha-1与存储在DATA_HUB中的相匹配， 我们将使用缓存的文件，以避免重复的下载。

# 下载数据集
def download(name, cache_dir=os.path.join('.', 'data')):  #@save
    """下载一个DATA_HUB中的文件，返回本地文件名"""
    assert name in DATA_HUB, f"{name} 不存在于 {DATA_HUB}"
    url, sha1_hash = DATA_HUB[name]
    os.makedirs(cache_dir, exist_ok=True)
    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:
                    break
                sha1.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, stream=True, verify=True)
    with open(fname, 'wb') as f:
        f.write(r.content)
    return fname

我们还需实现两个实用函数： 一个将下载并解压缩一个zip或tar文件， 另一个是将本书中使用的所有数据集从DATA_HUB下载到缓存目录中。

def download_extract(name, folder=None):  #@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_dir

def download_all():  #@save
    """下载DATA_HUB中的所有文件"""
    for name in DATA_HUB:
        download(name)

2、访问和读取数据集

"====================2、访问和读取数据集===================="
import matplotlib # 注意这个也要import一次
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import torch
from torch import nn
from d2l import torch as d2l

# 使用上面定义的脚本下载并缓存Kaggle房屋数据集。
DATA_HUB['kaggle_house_train'] = (  #@save
    DATA_URL + 'kaggle_house_pred_train.csv',
    '585e9cc93e70b39160e7921475f9bcd7d31219ce')

DATA_HUB['kaggle_house_test'] = (  #@save
    DATA_URL + 'kaggle_house_pred_test.csv',
    'fa19780a7b011d9b009e8bff8e99922a8ee2eb90')

我们使用pandas分别加载包含训练数据和测试数据的两个CSV文件。

train_data = pd.read_csv(download('kaggle_house_train'))
test_data = pd.read_csv(download('kaggle_house_test'))

训练数据集包括1460个样本，每个样本80个特征和1个标签， 而测试数据集包含1459个样本，每个样本80个特征。

print(train_data.shape)
print(test_data.shape)
'''
输出：
(1460, 81)
(1459, 80)
'''

查看前四个和最后两个特征，以及相应标签（房价）。

print(train_data.iloc[0:4, [0, 1, 2, 3, -3, -2, -1]])

在每个样本中，第一个特征是ID， 这有助于模型识别每个训练样本。虽然这很方便，但它不携带任何用于预测的信息。 因此，在将数据提供给模型之前，我们将其从数据集中删除。

pd.concat：用于数据连接合并的函数。此处将训练集的第一列(ID)和最后一列(标签)舍弃，测试集中将第一列(ID)舍弃

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

3、数据预处理

# 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

# 获取所有数值特征,共有36个
numeric_features = all_features.dtypes[all_features.dtypes != 'object'].index
# print(len(numeric_features))
# 通过将特征重新缩放到零均值和单位方差来标准化数据
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
"不能先用0填充，否则求均值的时候就不是原先数据的均值了"
all_features[numeric_features] = all_features[numeric_features].fillna(0)

处理离散值。用一次独热编码替换他们
pd.get_dummies若不懂可参考：https://blog.csdn.net/arispy/article/details/122413278

# “Dummy_na=True”将“na”（缺失值）视为有效的特征值，并为其创建指示符特征
# pd.get_dummies：对每个类别的值都进行0-1编码 
all_features = pd.get_dummies(all_features, dummy_na=True)
# print(all_features.shape) 
"输出：(2919, 331)"

可以看到此转换会将特征的总数量从79个增加到331个。通过values属性,可以从pandas格式中提取NumPy格式，并将其转换为张量表示用于训练。

n_train = train_data.shape[0]   # 得到训练集的行数
# all_features中前n_train行是训练集，将其转化为tensor
train_features = torch.tensor(all_features[:n_train].values, dtype=torch.float32)
# all_features中后边那些行是测试集，将其转化为tensor
test_features = torch.tensor(all_features[n_train:].values, dtype=torch.float32)
# train_data中SalePrice是标签列，将其转化为n行1列的形式
train_labels = torch.tensor(
    train_data.SalePrice.values.reshape(-1, 1), dtype=torch.float32)

4、训练

loss = nn.MSELoss()
in_features = train_features.shape[1]  # 331

# 单层线性回归
def get_net():
    net = nn.Sequential(nn.Linear(in_features,1))
    return net

房价就像股票价格一样，我们关心的是相对数量，而不是绝对数量。
解决这个问题的一种方法是用价格预测的对数来衡量差异。

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1
    # torch.clamp:把输入net(features)的值限制在1和float('inf')之间
    clipped_preds = torch.clamp(net(features), 1, float('inf'))
    # 根据公式即可明白rmse
    rmse = torch.sqrt(loss(torch.log(clipped_preds),
                           torch.log(labels)))
    return rmse.item()

训练函数将借助Adam优化器，Adam优化器的主要吸引力在于它对初始学习率不那么敏感。

def train(net, train_features, train_labels, test_features, test_labels,
          num_epochs, learning_rate, weight_decay, batch_size):
    train_ls, test_ls = [], []
    # d2l.load_array:按批量大小取出训练集
    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()
        # 训练损失列表
        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

5、K折交叉验证

"====================5、K折交叉验证===================="
# k-折数；i-验证集为第i折；X-特征；y-标签
def get_k_fold_data(k, i, X, y):
    assert k > 1
    # 每一折的大小=样本数➗k
    fold_size = X.shape[0] // k
    # 定义训练集
    X_train, y_train = None, None
    # 循环1到k折
    for j in range(k):
        # 获得第j折的索引
        # slice()函数一共有三个参数：start,end,step。step默认为1
        idx = slice(j * fold_size, (j + 1) * fold_size)
        # 获得第j折的数据
        X_part, y_part = X[idx, :], y[idx]
        if j == i:
            # 如果第j折就是要当作验证集的数据
            X_valid, y_valid = X_part, y_part
        elif X_train is None:
            # 训练集为空时，为训练集赋值
            X_train, y_train = X_part, y_part
        else:
            # 否则，直接让两个数据拼接在一起
            X_train = torch.cat([X_train, X_part], 0)
            y_train = torch.cat([y_train, y_part], 0)
    # 对于给定的k和当前第i折，返回其对应的训练集和验证集
    return X_train, y_train, X_valid, y_valid

在K折交叉验证中训练K次后，返回训练和验证误差的平均值

def k_fold(k, X_train, y_train, num_epochs, learning_rate, weight_decay,
           batch_size):
    # 初始化训练和验证损失总和
    train_l_sum, valid_l_sum = 0, 0
    for i in range(k):
        # 取出第i折对应的训练集和验证集
        data = get_k_fold_data(k, i, X_train, y_train)
        # 初始化一个网络
        net = get_net()
        # 进行训练，train函数返回的是训练和验证损失数组，数组中每个元素是每一轮计算的损失
        train_ls, valid_ls = train(net, *data, num_epochs, learning_rate,
                                   weight_decay, batch_size)
        # 对损失求和，这里的-1代表只取最后一轮损失来代表这一折训练的效果
        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],
                     xlabel='epoch', ylabel='rmse', xlim=[1, num_epochs],
                     legend=['train', 'valid'], yscale='log')
        print(f'折{i + 1}，训练log rmse{float(train_ls[-1]):f}, '
              f'验证log rmse{float(valid_ls[-1]):f}')
    # 返回训练和验证误差的平均值
    return train_l_sum / k, valid_l_sum / k

6、模型选择

"====================6、模型选择===================="
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}')
d2l.plt.show()

运行结果

7、提交Kaggle预测

"====================7、提交Kaggle预测===================="
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], xlabel='epoch',
             ylabel='log rmse', xlim=[1, num_epochs], yscale='log')
    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Kaggle
    test_data['SalePrice'] = pd.Series(preds.reshape(1, -1)[0])
    submission = pd.concat([test_data['Id'], test_data['SalePrice']], axis=1)
    submission.to_csv('submission.csv', index=False)

如果测试集上的预测与K倍交叉验证过程中的预测相似， 那就是时候把它们上传到Kaggle了。 下面的代码将生成一个名为submission.csv的文件。

train_and_pred(train_features, test_features, train_labels, test_data,
                   num_epochs, lr, weight_decay, batch_size)

d2l.plt.show()

运行结果