keras实现房屋预测
//An highlighted block
from keras.datasets import boston_housing
from keras.models import Sequential
from keras.layers import Dense
import numpy as np
from keras import backend as K
import matplotlib.pyplot as plt
(train_data, train_targets), (test_data, test_targets) = boston_housing.load_data()
'''
我们有404个训练样本和102个测试样本。 该数据包括13个功能。 输入数据中的13个功能如下
#1。人均犯罪率。
#2。占地面积超过25,000平方英尺的住宅用地比例。
#3。每个城镇非零售业务占比的比例。
#4。Charles River虚拟变量(如果管道限制河流则= 1;否则为0)。
#5。一氧化氮浓度(每千万份)。
#6。每个住宅的平均房间数。
#7。1940年以前建造的自住单位比例。
#8。到波士顿五个就业中心的加权距离。
#9。径向高速公路的可达性指数。
#10。每10,000美元的全额物业税率。
#11。城镇的学生与教师比例。
#12. 1000 *(Bk - 0.63)** 2其中Bk是城镇黑人的比例。
#13.人口状况较低。
#
#目标是自住房屋的中位数,以千美元计算:
'''
print(train_data.shape)
print(train_targets)
'''
将神经网络输入所有采用不同范围的值都是有问题的。 网络可能能够
自动适应这种异构数据,但肯定会使学习变得更加困难。 处理此类数据
的一种广泛的最佳实践是进行特征标准化:对于输入数据中的每个特征(
输入数据矩阵中的一列),我们将减去特征的均值并除以标准差,因此
该特征将以0为中心,并具有单位标准偏差。
'''
mean = train_data.mean(axis=0)
train_data -= mean
std = train_data.std(axis=0)
train_data /= std
test_data -= mean
test_data /= std
'''
由于可用的样本很少,我们将使用一个非常小的网络,其中有两个隐藏层,
每个层有64个单元。 通常,拥有的训练数据越少,过度拟合就越差,
使用小型网络是缓解过度拟合的一种方法。
'''
# 搭建网络
def build_model():
model = Sequential()
model.add(Dense(64, activation='relu',
input_shape=(train_data.shape[1],)))
model.add(Dense(64, activation='relu'))
model.add(Dense(1))
model.compile(optimizer='rmsprop',
loss='mse',
metrics=['mae'])
return model
k = 4
num_val_samples = len(train_data) // k
num_epochs = 100
all_scores = []
for i in range(k):
print('processing fold #', i)
# 验证数据预处理:通过k来划分
val_data = train_data[i * num_val_samples: (i + 1) * num_val_samples]
val_targets = train_targets[i * num_val_samples: (i + 1) * num_val_samples]
# 准备训练数据
partial_train_data = np.concatenate(
[train_data[: i * num_val_samples],
train_data[(i + 1) * num_val_samples:]],
axis=0
)
partial_train_targets = np.concatenate(
[train_targets[: i * num_val_samples],
train_targets[(i + 1) * num_val_samples:]],
axis=0
)
# 创建已编译好的keras模型
model = build_model()
# 训练模型
model.fit(partial_train_data, partial_train_targets,
epochs=num_epochs, batch_size=1, verbose=0)
# 通过验证集验证模型
val_mse, val_mae = model.evaluate(val_data, val_targets, verbose=0)
all_scores.append(val_mae)
print(all_scores)
K.clear_session()
num_epochs = 500
all_mae_histories = []
for i in range(k):
print('processing fold #', i)
# Prepare the validation data: data from partition # k
val_data = train_data[i * num_val_samples: (i + 1) * num_val_samples]
val_targets = train_targets[i * num_val_samples: (i + 1) * num_val_samples]
# Prepare the training data: data from all other partitions
partial_train_data = np.concatenate(
[train_data[:i * num_val_samples],
train_data[(i + 1) * num_val_samples:]],
axis=0)
partial_train_targets = np.concatenate(
[train_targets[:i * num_val_samples],
train_targets[(i + 1) * num_val_samples:]],
axis=0)
# Build the Keras model (already compiled)
model = build_model()
# Train the model (in silent mode, verbose=0)
history = model.fit(partial_train_data, partial_train_targets,
validation_data=(val_data, val_targets),
epochs=num_epochs, batch_size=1, verbose=0)
mae_history = history.history['val_mean_absolute_error']
all_mae_histories.append(mae_history)
average_mae_history = [
np.mean([x[i] for x in all_mae_histories]) for i in range(num_epochs)]
plt.plot(range(1, len(average_mae_history) + 1), average_mae_history)
plt.xlabel('Epochs')
plt.ylabel('Validation MAE')
plt.show()
def smooth_curve(points, factor=0.9):
smoothed_points = []
for point in points:
if smoothed_points:
previous = smoothed_points[-1]
smoothed_points.append(previous * factor + point * (1 - factor))
else:
smoothed_points.append(point)
return smoothed_points
smooth_mae_history = smooth_curve(average_mae_history[10:])
plt.plot(range(1, len(smooth_mae_history) + 1), smooth_mae_history)
plt.xlabel('Epochs')
plt.ylabel('Validation MAE')
plt.show()
参考链接:
https://blog.csdn.net/github_39611196/article/details/83718938