bp神经网络_BP神经网络回归房价预测

xue

学

tu

途

    Hello，各位小伙伴们大家早上好呀，这期，博主给大家分享如何用BP神经网络回归去拟合波士顿的房价数据，从而训练出一个可以预测波士顿房价的神经网络模型。

神经网络回归

BP神经网络+回归                                                                             

 神经网络回归(Quantile RegressionNeural Network ,QRNN)是由Talor提出来的非参数非线性方法。它结合了神经网络和回归的两大优势，具有强大功能，能够揭示数据分布规律。‍

这里我们用到BP神经网络做回归，博主在之前的推文中已经给大家详细地介绍了BP神经网络，还不熟悉理论的小伙伴们可以翻一下之前的文章。

深度学习开端---BP神经网络

回归是确定两种或两种以上的变量间相互依赖的定量关系的方法。这里我们通过波士顿地区的13个特征与其房价，来确定这13个特征(自变量)和房价(因变量)之间的关系(模型)。

理论是指导实践的基础，实践又是巩固理论的利器。下面，博主就和小伙伴们通过一个简单的实验来巩固之前所学的BP神经网络吧。

实验

实验环境                                                                                          

• Anaconda Python 3.7 

• Jupyter Notebook

• Keras

  环境安装在之前的推文中已经介绍，还没安装的小伙伴可以翻一下。

• Python开发环境---Windows与服务器篇

• Python深度学习开发环境---Keras

实验步骤                                                                                          

• 加载数据

• 划分训练集和验证集  # 用验证集去评估模型的稳健性，防止过拟合。

• 数据归一化   # 目的是消除数据间量纲的影响，使数据具有可比性

• 构建神经网络与训练

• 训练历史可视化

• 保存模型

• 模型的预测功能与反归一化

代码                                                                                                 

•     核心代码

model = Sequential()  # 初始化，很重要！model.add(Dense(units = 10,   # 输出大小                activation='relu',  # 激励函数                input_shape=(x_train_pd.shape[1],)  # 输入大小, 也就是列的大小               )         )model.add(Dropout(0.2))  # 丢弃神经元链接概率model.add(Dense(units = 15,# kernel_regularizer=regularizers.l2(0.01),  # 施加在权重上的正则项# activity_regularizer=regularizers.l1(0.01),  # 施加在输出上的正则项                activation='relu' # 激励函数# bias_regularizer=keras.regularizers.l1_l2(0.01)  # 施加在偏置向量上的正则项           ) )model.add(Dense(units = 1,                   activation='linear'  # 线性激励函数 回归一般在输出层用这个激励函数                 )         )print(model.summary())  # 打印网络层次结构model.compile(loss='mse',  # 损失均方误差              optimizer='adam',  # 优化器             )history = model.fit(x_train, y_train,          epochs=200,  # 迭代次数          batch_size=200,  # 每次用来梯度下降的批处理数据大小          verbose=2,   # verbose：日志冗长度，int：冗长度，0：不输出训练过程，1：输出训练进度，2：输出每一个epoch          validation_data = (x_valid, y_valid)  # 验证集        )

• 参数

  Dense: 全连接层。

  Dropout: 以一定概率放弃两层之间的一些神经元链接，防止过拟合，可以加在网络层与层之间。

  regularizer: 正则化，防止过拟合，可以加在权重、输出、偏置上。

  optimizer: 优化器，梯度下降的优化方法

  这些都在之前的推文中有所介绍，小伙伴们可以去翻阅一下。

  码前须知---TensorFlow超参数的设置

  activation: 激励函数，‘linear’一般用在回归任务的输出层，而‘softmax’一般用在分类任务的输出层。

  loss: 拟合损失方法，这里用到了‘mse’均方误差，keras还有别的误差，在后续的推文会一一介绍。

  epochs 与 batch_size：前者是迭代次数，后者是用来更新梯度的批数据的大小，iteration = epochs / batch_size, 也就是完成一个epoch需要跑多少个batch。这这两个参数可以用控制变量法来调参，控制一个参数，调另外一个，看损失曲线的变化。

  小伙伴们可以去keras官网查看更多的参数含义与用途，博主也会在后续的课程中通过实验的方法将这些参数涉及进来，让大家的知识点串联起来。

Keras官网

https://keras.io/

• Git链接

代码

https://github.com/ChileWang0228/DeepLearningTutorial/tree/master/MLP

训练结果                                                                                             

• 训练过程

  

•     网络结构

• 结果分析

  在迭代了200个epochs之后，训练集和验证集的损失loss，趋于平稳，这时，我们得到的模型已经是最优的了。所以讲epoch设置为200即可。

代码实践视频                                                                                          

视频卡顿？bilibili值得拥有~(っ•̀ω•́)っ✎⁾⁾ 我爱学习

https://www.bilibili.com/video/av55542068/

总结

        好了，到这里，我们就已经将BP神经网络回归的知识点讲完了，上面的实验步骤并不是每一步都是必须的，不过博主还是给大家都过了一遍，学习嘛，最重要的当然是整整齐齐。大家在掌握了整个流程之后，就可以在博主的代码上修修补补，训练自己的神经网络来做回归任务了。

       下一期，博主就带领大家用BP神经网络来做文本分类，敬请期待把~

留言

博主刚弄的一个留言功能，欢迎各位小伙伴踊跃留言。

有啥建议或者意见都可以提出来~