pytorch神经网络因素预测_实战：使用PyTorch构建神经网络进行房价预测

微信公号：ilulaoshi / 个人网站：lulaoshi.info

本文将学习一下如何使用PyTorch创建一个前馈神经网络(或者叫做多层感知机，Multiple-Layer Perceptron，MLP)，文中会使用PyTorch提供的自动求导功能，训练一个神经网络。

本文的数据集来自Kaggle竞赛：房价预测(https://www.kaggle.com/c/house-prices-advanced-regression-techniques/)。这份数据分为训练数据集和测试数据集。两个数据集都包括每栋房子的特征，如建造年份、地下室状况等特征值。这些特征中，有连续的数值型(Numerical)特征，有离散的分类(Categorical)特征。这些特征中，有些特征值是缺失值“na”。训练数据集包括了每栋房子的价格，也就是需要预测的目标值(Label)。我们应该用训练数据集训练一个模型，并对测试数据集进行预测，然后将结果提交到Kaggle。

数据探索和预处理

首先，我们下载并加载数据集：

train_data_path ='./dataset/train.csv'

train = pd.read_csv(train_data_path)

num_of_train_data = train.shape[0]

test_data_path ='./dataset/test.csv'

test = pd.read_csv(test_data_path)

训练数据集共1460个样本，81个维度，其中，Id是每个样本的唯一编号，SalePrice是房价，也是我们要拟合的目标值。其他维度(列)有数值类特征，也有非数值列，或者叫分类特征。

先查看训练数据集的维度：

train.shape

输出为：

(1460, 81)

或者通过train.describe()来查看整个数据集各个特征的一些统计情况。

接着，我们要把训练数据集和测试数据集合并。将训练数据集和测试数据集合并主要是为了统一特征处理的流程，或者说对训练数据集和测试数据集使用同样的方法，进行同样的特征工程处理。

# 房价，要拟合的目标值

target = train.SalePrice

# 输入特征，可以将SalePrice列扔掉

train.drop(['SalePrice'],axis = 1 , inplace = True)

# 将train和test合并到一起，一块进行特征工程，方便预测test的房价

combined = train.append(test)

combined.reset_index(inplace=True)

combined.drop