波士顿房价预测实验--回归问题

1.获取数据集

housing.data
下载后可看到数据的间隔并不统一，需要进行处理

2.数据的解析

使用正则表达将数据储存到data中

import re
import numpy as np
file = open("housing.data").readlines()
data = []
for item in file:
    out = re.sub(r"\s{2,}", " ", item).strip()
    data.append(out.split())
data = np.array(data).astype(float) #转化为array便于处理

获取data中一行长度，和数据的多少

print(len(data[0]))
print(len(data))
# 14
# 506

每一行数据都有14个数，其中前13个为房子的特征x，用来决定y，所以以此将x与y分离

x = data[:, 0: -1]
y = data[:, -1]

为了数据的检测训练效果，我们将部分数据作为测试集，其余为训练集

x_train = x[0:486, ...]
y_train = y[0:486, ...]
x_test = x[486:, ...]
y_test = y[486:, ...]
# 转化为torch可处理的类型
x_data = torch.tensor(x_train, dtype=torch.float32)
y_data = torch.tensor(y_train, dtype=torch.float32)
x_test_data = torch.tensor(x_test, dtype=torch.float32)
y_test_data = torch.tensor(y_test, dtype=torch.float32)

3.net创建

此处使用bp神经网络训练

net = torch.nn.Sequential(
        torch.nn.Linear(13, 13), #隐藏层
        torch.nn.ReLU(),		 #激活函数--将线性转化为非线性
        torch.nn.Linear(13, 1)	 #输出层
    )

loss使用方差计算

#loss
loss_func = torch.nn.MSELoss()

• optim

# optim
optim = torch.optim.Adam(net.parameters(), lr=0.0001)

4.开始训练

# training
for i in range(1000):
    pred = torch.squeeze(net(x_data))
    loss = loss_func(pred, y_data)
    optim.zero_grad()
    loss.backward()
    optim.step()
    print(loss)

5.保存训练模型

torch.save(net, 'model.pkl')

6.训练效果的检验

# 载入模型
net1 = torch.load("model.pkl")
# 对测试集进行预测
pred1 = torch.squeeze(net1(x_test_data))
# 计算误差
loss1 = loss_func(pred1, y_test_data)