深度学习——入门经典案例《波士顿房价预测》深度解析

一、深度学习

机器学习算法理论在上个世纪90年代发展成熟，在许多领域都取得了成功应用。但平静的日子只延续到2010年左右，随着大数据的涌现和计算机算力提升，深度学习模型异军突起，极大改变了机器学习的应用格局。今天，多数机器学习任务都可以使用深度学习模型解决，尤其在在语音、计算机视觉和自然语言处理等领域，深度学习模型的效果比传统机器学习算法有显著提升。

有关机器学习、深度学习的详细介绍及其之间的联系可查看下方链接
https://www.paddlepaddle.org.cn/tutorials/projectdetail/328689

二、《波士顿房价预测》案例详解

项目完整代码和数据集已经上传，点击链接查看
https://github.com/Narutoooooooo/boston-house-price-forecast

1. 前提说明

   数据详情：
   
   构建波士顿房价预测任务的神经网络模型步骤：
   

2. 数据处理
   数据处理包含五个部分：数据导入、数据形状变换、数据集划分、数据归一化处理和封装load data函数。
   数据预处理后，才能被模型调用。

   数据归一化参考https://blog.csdn.net/program_developer/article/details/78637711

   实现代码如下：

   import numpy as np
   import matplotlib.pyplot as plt
   
   def load_data():
       # 读取以空格分开的文件，变成一个连续的数组
       firstdata = np.fromfile('housing.data', sep=' ')
       # 添加属性
       feature_names = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT',
                        'MEDV']
       # 列的长度
       feature_num = len(feature_names)
       # print(firstdata.shape)  输出结果:(7084, )
       # print(firstdata.shape[0] // feature_nums)  输出结果:506
       # 构造506*14的二维数组
       data = firstdata.reshape([firstdata.shape[0] // feature_num, feature_num])
   	
   	# 将数据集划分成训练集和测试集，其中训练集用于确定模型的参数，测试集用于评判模型的效果。
       # 训练集设置为总数据的80%
       ratio = 0.8
       offset = int(data.shape[0] * ratio)
       training_data = data[:offset]
       # print(training_data.shape)
   
       # axis=0表示列
       # axis=1表示行
       # \表示换行，无需输入
       maximums, minimums, avgs = training_data.max(axis=0), training_data.min(axis=0), training_data.sum(axis=0) / \