说明:这是一个机器学习实战项目(附带数据+代码+文档+视频讲解),如需数据+代码+文档+视频讲解可以直接到文章最后获取。
1.项目背景
在人工神经网络的发展历史上,感知机(Multilayer Perceptron,MLP)网络曾对人工神经网络的发展发挥了极大的作用,也被认为是一种真正能够使用的人工神经网络模型,它的出现曾掀起了人们研究人工神经元网络的热潮。BP网络是在输入层与输出层之间增加若干层(一层或多层)神经元,这些神经元称为隐单元,它们与外界没有直接的联系,但其状态的改变,则能影响输入与输出之间的关系,每一层可以有若干个节点。
本项目通过基于PyTorch实现BP神经网络回归模型。
2.数据获取
本次建模数据来源于网络(本项目撰写人整理而成),数据项统计如下:
数据详情如下(部分展示):
3.数据预处理
3.1 用Pandas工具查看数据
使用Pandas工具的head()方法查看前五行数据:
关键代码:
3.2 数据缺失查看
使用Pandas工具的info()方法查看数据信息:
从上图可以看到,总共有11个变量,数据中无缺失值,共2000条数据。
3.3 数据描述性统计
通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。
关键代码如下:
4.探索性数据分析
4.1 y变量分布直方图
用Matplotlib工具的hist()方法绘制直方图:
4.2 相关性分析
从上图中可以看到,数值越大相关性越强,正值是正相关、负值是负相关。
5.特征工程
5.1 建立特征数据和标签数据
关键代码如下:
5.2 数据集拆分
通过train_test_split()方法按照80%训练集、20%测试集进行划分,关键代码如下:
6.构建BP神经网络回归模型
主要使用PyTorch的Linear层网络,用于目标回归。
6.1 模型构建
6.2 神经网络的迭代信息
通过上图可以看到,神经网络每次迭代训练集的损失值。
6.3 训练集损失迭代图
通过上图可以看到,随着迭代次数的增加,训练集损失逐渐减少。
7. 模型评估
7.1评估指标及结果
评估指标主要包括R方、均方误差、解释性方差、绝对误差等等。
从上表可以看出,R方分值为0.9486,说明模型效果较好。
关键代码如下:
7.2 真实值与预测值散点图
通过上图可以看到,真实值与预测值基本在一条线上,说明模型的拟合效果较好。
7.3 真实值与预测值对比图
从上图可以看出真实值和预测值波动基本一致,模型效果较好。
8.结论与展望
综上所述,本项目基于PyTorch实现BP神经网络ANN单隐层算法搭建了回归模型并对模型进行了评估,最终证明了我们提出的模型效果良好。
# 本次机器学习项目实战所需的资料,项目资源如下: # 项目说明: # 链接:https://pan.baidu.com/s/1cEqb5jPxH5j9cd5aXzkF9w # 提取码:i0yl # 用Pandas工具查看数据 print(df.head()) # 查看数据集摘要 print(df.info()) # 数据描述性统计分析 print(df.describe()) # y变量分布直方图 fig = plt.figure(figsize=(8, 5)) # 设置画布大小 plt.rcParams['font.sans-serif'] = 'SimHei' # 设置中文显示 plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题 data_tmp = df['y'] # 过滤出y变量的样本 # 绘制直方图 bins:控制直方图中的区间个数 auto为自动填充个数 color:指定柱子的填充色 plt.hist(data_tmp, bins='auto', color='g') plt.xlabel('y') plt.ylabel('数量') plt.title('y变量分布直方图') plt.show()