波士顿房价预测

"""
训练代码
"""

# 导入基本的库
import os
import paddle
import numpy as np
import matplotlib.pyplot as plt

"""
UCIHousing数据集共506行,每行14列。前13列用来描述房屋的各种信息，最后一列为该类房屋价格中位数。
PaddlePaddle提供了读取uci_housing数据集的接口:paddle.text.datasets.UCIHousing
PaddlePaddle中使用`paddle.io.DataLoader`来进行数据的加载操作，通过参数batch_size控制批次大小，shuffle控制是否打乱顺序
"""

BATCH_SIZE = 10
train_dataset = paddle.text.datasets.UCIHousing(mode='train')
valid_dataset = paddle.text.UCIHousing(mode='test')
# 用于训练的数据加载器，每次随机读取批次大小的数据，剩余不满足批大小的数据丢弃
train_loader = paddle.io.DataLoader(train_dataset, batch_size=BATCH_SIZE, shuffle=True, drop_last=True)
valid_loader = paddle.io.DataLoader(valid_dataset, batch_size=BATCH_SIZE, shuffle=True)


# 定义线性网络
net = paddle.nn.Linear(13, 1)
optimizer = paddle.optimizer.SGD(learning_rate=0.001, parameters=net.parameters())

iter = 0
iters = []
train_costs = []

# 定义绘制训练过程的损失值变化趋势的方法
def draw_train_process(iters, train_costs):
    title="training cost"
    plt.title(title, fontsize=24)
    plt.xlabel("iter", fontsize=14)
    plt.ylabel("cost", fontsize=14)
    plt.plot(iters, train_costs, color='blue', label='training cost')
    plt.grid()
    plt.show()


EPOCH_NUM = 20

"""
训练EPOCH_NUM轮,遍历轮次和数据集loader，将批次数据送入net里面进行计算，最终经过loss计算，在进行反向传播和参数优化。
注：enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，
"""

for pass_id in range(EPOCH_NUM):
    # 开始训练并输出最后一个batch的损失值
    train_cost = 0

    # 遍历train_reader迭代器
    for batch_id, data in enumerate(train_loader()):
        inputs = paddle.to_tensor(data[0])
        labels = paddle.to_tensor(data[1])
        out = net(inputs)
        train_loss = paddle.mean(paddle.nn.functional.square_error_cost(out, labels))
        train_loss.backward()
        optimizer.step()
        optimizer.clear_grad()

        # 打印最后一个batch的损失值
        if batch_id % 40 == 0:
            print("Pass:%d, Cost:%0.5f" % (pass_id, train_loss))

        iter = iter + BATCH_SIZE
        iters.append(iter)
        train_costs.append(train_loss.numpy()[0])

    # 开始测试并输出最后一个batch的损失值
    test_loss = 0

    # 遍历test_reader迭代器
    for batch_id, data in enumerate(valid_loader()):
        inputs = paddle.to_tensor(data[0])
        labels = paddle.to_tensor(data[1])
        out = net(inputs)
        test_loss = paddle.mean(paddle.nn.functional.square_error_cost(out, labels))

    # 打印最后一个batch的损失值
    print('Test:%d, Cost:%0.5f' % (pass_id, test_loss))

# 保存模型
paddle.save(net.state_dict(), 'fit_a_line.pdparams')
draw_train_process(iters, train_costs)

 

"""
测试代码
"""
import matplotlib.pyplot as plt
import numpy as np
import paddle

infer_results = []
groud_truths = []

#绘制真实值和预测值对比图
def draw_infer_result(groud_truths, infer_results):
    title='Boston'
    plt.title(title, fontsize=24)
    x = np.arange(1,20)
    y = x
    plt.plot(x, y)
    plt.xlabel('ground truth', fontsize=14)
    plt.ylabel('infer result', fontsize=14)
    plt.scatter(groud_truths, infer_results, color='green',label='training cost')
    plt.grid()
    plt.show()


valid_dataset = paddle.text.UCIHousing(mode='test')
# 用于测试的数据加载器，每次随机读取批次大小的数据
infer_loader = paddle.io.DataLoader(valid_dataset, batch_size=200, shuffle=True)

infer_net = paddle.nn.Linear(13, 1)
param = paddle.load('fit_a_line.pdparams')
infer_net.set_dict(param)

data = next(infer_loader())
inputs = paddle.to_tensor(data[0])
results = infer_net(inputs)

for idx, item in enumerate(zip(results, data[1])):
    print("Index:%d, Infer Result: %.2f, Ground Truth: %.2f" % (idx, item[0], item[1]))
    infer_results.append(item[0].numpy()[0])
    groud_truths.append(item[1].numpy()[0])

draw_infer_result(groud_truths, infer_results)

 

 1.梯度下降法  

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

class Network(object):
    def __init__(self, num_of_weights):

        np.random.seed(0)  # 当我们设置相同的seed，每次生成的随机数相同。
        self.w = np.random.randn(num_of_weights, 1)  # 随机产生w的初始值
        # print(self.w)
        # self.w[5] = -100
        # self.w[9] = -100
        self.b = 0.

    def load_data(self):
        # 从文件导入数据
        datafile = '../data/home/housing.data'
        data = np.fromfile(datafile, sep=' ')

        # 每条数据包括14项，其中前面13项是影响因素，第14项是相应的房屋价格中位数
        feature_names = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV']
        feature_num = len(feature_names)

        # 将原始数据进行Reshape，变成[N, 14]这样的形状
        # data = data.reshape([data.shape[0] // feature_num, feature_num])
        data = data.reshape(-1, feature_num)  # -1代表我不知道可以分成多少行，但是需要分成feature_num列
        # print(data)
        # print(len(data))  # 共有多少行

        # 将原数据集拆分成训练集和测试集
        # 这里使用80%的数据做训练，20%的数据做测试
        # 测试集和训练集必须是没有交集的
        ratio = 0.8
        offset = int(data.shape[0] * ratio)
        training_data = data[0:offset]
        # print(len(training_data))  # 切片切割出训练数据

        # 计算训练集的最大值，最小值，平均值
        # maximums, minimums, avgs = training_data.max(axis=0), training_data.min(axis=0), \
        #                              training_data.sum(axis=0) / training_data.shape[0]
        maximums = training_data.max(axis=0)  # DataFrame当中axis为0和1,0代表每一列，1代表每一行
        minimums = training_data.min(axis=0)
        avgs = training_data.sum(axis=0) / training_data.shape[0]

        # 对数据进行归一化处理
        for i in range(feature_num):
            # print(maximums[i], minimums[i], avgs[i])
            data[:, i] = (data[:, i] - minimums[i]) / (maximums[i] - minimums[i])

        # 训练集和测试集的划分比例
        training_data = data[:offset]  # 从前往后切
        test_data = data[offset:]  # 从后往前切
        # print(len(training_data))
        # print(len(test_data))
        return training_data, test_data

    def forward(self, x):
        z = np.dot(x, self.w) + self.b
        return z

    # 损失函数
    def loss(self, z, y):
        error = z - y
        num_samples = error.shape[0]
        cost = error * error
        cost = np.mean(cost) / num_samples
        return cost

    # 梯度计算
    def gradient(self, x, y):
        z = self.forward(x)
        # w的梯度计算
        gradient_w = (z - y) * x
        gradient_w = np.mean(gradient_w, axis=0)
        gradient_w = gradient_w[:, np.newaxis]
        # b的梯度计算
        gradient_b = (z - y)
        gradient_b = np.mean(gradient_b)

        return gradient_w, gradient_b

    def updata(self, gradient_w, gradient_b, eta=0.01):
        net.w = self.w - eta * gradient_w
        net.b = self.b - eta * gradient_b

    def train(self, x, y, iterations=100, eta=0.01):
        losses = []
        for i in range(iterations):
            z = self.forward(x)
            L = self.loss(z, y)
            gradient_w, gradient_b = self.gradient(x, y)
            self.updata(gradient_w, gradient_b, eta)
            losses.append(L)
            if (i+1) % 10 == 0:
                print('iter {}, loss {}'.format(i, L))
        return losses

net = Network(13)
# 获取数据
train_data, test_data = net.load_data()
x = train_data[:, :-1]
y = train_data[:, -1:]
# 创建网络
num_iterations=1000
# 启动训练
losses = net.train(x,y, iterations=num_iterations, eta=0.01)

# 画出损失函数的变化趋势
plot_x = np.arange(num_iterations)
plot_y = np.array(losses)
plt.plot(plot_x, plot_y)
plt.show()

2.随机梯度下降法

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

class Network(object):
    def __init__(self, num_of_weights):

        # np.random.seed(0)  # 当我们设置相同的seed，每次生成的随机数相同。
        self.w = np.random.randn(num_of_weights, 1)  # 随机产生w的初始值
        # print(self.w)
        self.b = 0.

    def load_data(self):
        # 从文件导入数据
        datafile = '../data/home/housing.data'
        data = np.fromfile(datafile, sep=' ')

        # 每条数据包括14项，其中前面13项是影响因素，第14项是相应的房屋价格中位数
        feature_names = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV']
        feature_num = len(feature_names)

        # 将原始数据进行Reshape，变成[N, 14]这样的形状
        # data = data.reshape([data.shape[0] // feature_num, feature_num])
        data = data.reshape(-1, feature_num)  # -1代表我不知道可以分成多少行，但是需要分成feature_num列
        # print(data)
        # print(len(data))  # 共有多少行

        # 将原数据集拆分成训练集和测试集
        # 这里使用80%的数据做训练，20%的数据做测试
        # 测试集和训练集必须是没有交集的
        ratio = 0.8
        offset = int(data.shape[0] * ratio)
        training_data = data[0:offset]
        # print(len(training_data))  # 切片切割出训练数据

        # 计算训练集的最大值，最小值，平均值
        # maximums, minimums, avgs = training_data.max(axis=0), training_data.min(axis=0), \
        #                              training_data.sum(axis=0) / training_data.shape[0]
        maximums = training_data.max(axis=0)  # DataFrame当中axis为0和1,0代表每一列，1代表每一行
        minimums = training_data.min(axis=0)
        avgs = training_data.sum(axis=0) / training_data.shape[0]

        # 对数据进行归一化处理
        for i in range(feature_num):
            # print(maximums[i], minimums[i], avgs[i])
            data[:, i] = (data[:, i] - minimums[i]) / (maximums[i] - minimums[i])

        # 训练集和测试集的划分比例
        training_data = data[:offset]  # 从前往后切
        test_data = data[offset:]  # 从后往前切
        # print(len(training_data))
        # print(len(test_data))
        return training_data, test_data

    def forward(self, x):
        z = np.dot(x, self.w) + self.b
        return z

    # 损失函数
    def loss(self, z, y):
        error = z - y
        num_samples = error.shape[0]
        cost = error * error
        cost = np.sum(cost) / num_samples
        return cost

    # 梯度计算
    def gradient(self, x, y):
        z = self.forward(x)
        N = x.shape[0]
        # w的梯度计算
        # gradient_w = (z - y) * x
        # gradient_w = np.mean(gradient_w, axis=0)
        # gradient_w = gradient_w[:, np.newaxis]
        gradient_w = 1. / N * np.sum((z - y) * x, axis=0)
        gradient_w = gradient_w[:, np.newaxis]
        # b的梯度计算
        # gradient_b = (z - y)
        # gradient_b = np.mean(gradient_b)
        gradient_b = 1. / N * np.sum(z - y)

        return gradient_w, gradient_b

    def updata(self, gradient_w, gradient_b, eta=0.01):
        net.w = self.w - eta * gradient_w
        net.b = self.b - eta * gradient_b

    def train(self, training_data, num_epochs, batch_size=10, eta=0.01):
        n = len(training_data)
        losses = []
        for epoch_id in range(num_epochs):
            # 在每轮迭代开始之前，将训练数据的顺序随机打乱
            # 然后再按每次取batch_size条数据的方式取出
            np.random.shuffle(training_data)
            # 将训练数据进行拆分，每个mini_batch包含batch_size条的数据
            mini_batches = [training_data[k:k + batch_size] for k in range(0, n, batch_size)]
            for iter_id, mini_batch in enumerate(mini_batches):
                # print(self.w.shape)
                # print(self.b)
                x = mini_batch[:, :-1]
                y = mini_batch[:, -1:]
                a = self.forward(x)
                loss = self.loss(a, y)
                gradient_w, gradient_b = self.gradient(x, y)
                self.updata(gradient_w, gradient_b, eta)
                losses.append(loss)
                print('Epoch {:3d} / iter {:3d}, loss = {:.4f}'.format(epoch_id, iter_id, loss))

        return losses

net = Network(13)
# 获取数据
train_data, test_data = net.load_data()
# 启动训练
losses = net.train(train_data, num_epochs=50, batch_size=100, eta=0.1)

# 画出损失函数的变化趋势
plot_x = np.arange(len(losses))
plot_y = np.array(losses)
plt.plot(plot_x, plot_y)
plt.show()

2.通过PaddlePaddle重写

#加载飞桨、Numpy和相关类库
import paddle                       # 飞桨的主库
# from paddle.nn import Linear        # 组网相关的API，例如 Linear 、卷积 Conv2D 、 循环神经网络 LSTM 、损失函数 CrossEntropyLoss 、 激活函数 ReLU 等。
# Linear:神经网络的全连接层函数，即包含所有输入权重相加的基本神经元结构。
# 在房价预测任务中，使用只有一层的神经网络（全连接层）来实现线性回归模型。
import paddle.nn.functional as F

import paddle.fluid as fluid
import paddle.fluid.dygraph as dygraph
from paddle.fluid.dygraph import  Linear


import numpy as np
import os
import random


# 数据处理
def load_data():
    # 从文件导入数据
    datafile = '../data/home/housing.data'
    data = np.fromfile(datafile, sep=' ')

    # 每条数据包括14项，其中前面13项是影响因素，第14项是相应的房屋价格中位数
    feature_names = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE','DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV']
    feature_num = len(feature_names)

    # 将原始数据进行Reshape，变成[N, 14]这样的形状
    # data = data.reshape([data.shape[0] // feature_num, feature_num])
    data = data.reshape(-1, feature_num)  # -1代表我不知道可以分成多少行，但是需要分成feature_num列
    # print(data)
    # print(len(data))  # 共有多少行

    # 将原数据集拆分成训练集和测试集
    # 这里使用80%的数据做训练，20%的数据做测试
    # 测试集和训练集必须是没有交集的
    ratio = 0.8
    offset = int(data.shape[0] * ratio)
    training_data = data[0:offset]
    # print(len(training_data))  # 切片切割出训练数据

    # 计算训练集的最大值，最小值，平均值
    # maximums, minimums, avgs = training_data.max(axis=0), training_data.min(axis=0), \
    #                              training_data.sum(axis=0) / training_data.shape[0]
    maximums = training_data.max(axis=0)  # DataFrame当中axis为0和1,0代表每一列，1代表每一行
    minimums = training_data.min(axis=0)
    avgs = training_data.sum(axis=0) / training_data.shape[0]

    # 对数据进行归一化处理
    for i in range(feature_num):
        # print(maximums[i], minimums[i], avgs[i])
        data[:, i] = (data[:, i] - minimums[i]) / (maximums[i] - minimums[i])

    # 训练集和测试集的划分比例
    training_data = data[:offset]  # 从前往后切
    test_data = data[offset:]  # 从后往前切
    # print(len(training_data))
    # print(len(test_data))
    return training_data, test_data

# 模型设计
class Regressor(fluid.dygraph.Layer):

    # self代表类的实例自身
    def __init__(self):
        # 初始化父类中的一些参数
        super(Regressor, self).__init__()

        # 定义一层全连接层，输入维度是13，输出维度是1，激活函数为None
        self.fc = Linear(input_dim=13, output_dim=1, act=None)

    # 网络的前向计算
    def forward(self, inputs):
        x = self.fc(inputs)
        return x

with fluid.dygraph.guard():
    # 声明定义好的线性回归模型
    model = Regressor()
    # 开启模型训练模式
    model.train()
    # 加载数据
    training_data, test_data = load_data()
    # 定义优化算法，使用随机梯度下降SGD
    # 学习率设置为0.01
    opt = paddle.optimizer.SGD(learning_rate=0.01, parameters=model.parameters())

with dygraph.guard(fluid.CPUPlace()):

    EPOCH_NUM = 100  # 设置外层循环次数
    BATCH_SIZE = 10  # 设置batch大小

    # 定义外层循环
    for epoch_id in range(EPOCH_NUM):
        # 在每轮迭代开始之前，将训练数据的顺序随机的打乱
        np.random.shuffle(training_data)
        # 将训练数据进行拆分，每个batch包含10条数据
        mini_batches = [training_data[k:k + BATCH_SIZE] for k in range(0, len(training_data), BATCH_SIZE)]
        # 定义内层循环
        for iter_id, mini_batch in enumerate(mini_batches):
            x = np.array(mini_batch[:, :-1]).astype('float32')  # 获得当前批次训练数据
            y = np.array(mini_batch[:, -1:]).astype('float32')  # 获得当前批次训练标签（真实房价）
            # 将numpy数据转为飞桨动态图tensor形式
            house_features = paddle.to_tensor(x)
            prices = paddle.to_tensor(y)

            # 前向计算
            predicts = model(house_features)

            # 计算损失
            loss = F.square_error_cost(predicts, label=prices)
            avg_loss = paddle.mean(loss)
            if iter_id % 20 == 0:
                print("epoch: {}, iter: {}, loss is: {}".format(epoch_id, iter_id, avg_loss.numpy()))

            # 反向传播
            avg_loss.backward()
            # 最小化loss,更新参数
            opt.minimize(avg_loss)
            # 清除梯度
            model.clear_gradients()

    paddle.save(model.state_dict(), 'LR_model.pdparams')
    print("模型保存成功，模型参数保存在LR_model.pdparams中")