paddlepaddle_预测波士顿房价

博主：茶白
发布时间：2023 年 03 月 19 日
暂无评论
8443字数
分类： python 笔记

### 预测波士顿房价

> #### 数据准备 housing.data
>
> [**加州大学欧文分校机器学习库波士顿房价数据**](ttps://archive.ics.uci.edu/ml/machine-learning-[databases]()/housing/housing.data)

将housing.data下载并copy到项目目录下

> #### 导包

```python
import numpy as np
import paddle.nn
from paddle.nn import Linear
import paddle.nn.functional as F
```

> #### 加载数据函数

```python
def load_data():
    # 从文件导入数据
    datafile = './housing.data'
    data = np.fromfile(datafile, sep=' ', dtype=np.float32)

# 每条数据包含14项, 前13项是影响因素, 最后一项是该条数据对应的房价中位数
    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])

# 将原数据集拆分成训练集和测试集
    # 这里使用80%的数据作为训练集, 20%的数据作为测试集
    # 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[:offset]

# 计算train数据集的最大值, 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]

# 记录数据的归一化参数, 在预测时对数据做归一化
    global max_values
    global min_values
    global avg_values
    max_values = maximums
    min_values = minimums
    avg_values = avgs
    # 对数据进行归一化处理
    for i in range(feature_num):
        data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i])

# 训练集和测试集的划分比例
    training_data = data[:offset]
    test_data = data[offset:]
    return training_data, test_data
```

> #### 线性回归模型

```python
class Regressor(paddle.nn.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
        self.fc = Linear(in_features=13, out_features=1)

# 网络的向前计算
    def forward(self, inputs):
        x = self.fc(inputs)
        return x

```

> #### 声明定义好的线性回归模型

```python
# 声明定义好的线性回归模型
model = Regressor()
```

> #### 开启模型训练模式

```python
model.train()
```

> #### 加载数据

```python
training_data, test_data = load_data()
```

> #### 定义优化算法,使用随机梯度下降SGD, 学习率0.01

```python
opt = paddle.optimizer.SGD(learning_rate=0.01, parameters=model.parameters())
```

> #### 训练

```python
EPOCH_NUM = 10  # 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])  # 获得当前批次训练数据
        y = np.array(mini_batch[:, -1:])  # 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)

# 向前计算
        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.step()
        # 清除梯度
        opt.clear_grad()

# 保存模型参数, 文件名为LR_model.pdparams
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")
```

> #### 加载模型并预测

````python
def load_one_example():
    # 从上面已加载的测试集中,随机选择一条作为测试数据
    idx = np.random.randint(0, test_data.shape[0])
    idx = -10
    one_data, label = test_data[idx, :-1], test_data[idx, -1]
    # 修改该条数据shape为[1,13]
    one_data = one_data.reshape([1, -1])
    return one_data, label

# 参数为保存模型参数的文件地址
model_dict = paddle.load('LR_model.pdparams')
model.load_dict(model_dict)
model.eval()

# 参数为数据集的文件地址
one_data, label = load_one_example()
# 将数据转为动态图的variable格式
one_data = paddle.to_tensor(one_data)
predict = model(one_data)

# 对结果做反归一化处理
predict = predict * (max_values[-1] - min_values[-1]) + avg_values[-1]
# 对label数据做反归一化处理
label = label * (max_values[-1] - min_values[-1]) + avg_values[-1]

print("推理结果为{}，对应的标签为{}".format(predict.numpy().item(), label))
# >>> 推理结果为10.702507972717285，对应的标签为19.700000762939453

````

> #### 完整代码

```python
import numpy as np
import paddle.nn
from paddle.nn import Linear
import paddle.nn.functional as F

def load_data():
    # 从文件导入数据
    datafile = './housing.data'
    data = np.fromfile(datafile, sep=' ', dtype=np.float32)

# 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])

# 记录数据的归一化参数, 在预测时对数据做归一化
    global max_values
    global min_values
    global avg_values
    max_values = maximums
    min_values = minimums
    avg_values = avgs

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

# 训练集和测试集的划分比例
    training_data = data[:offset]
    test_data = data[offset:]
    return training_data, test_data

class Regressor(paddle.nn.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
        self.fc = Linear(in_features=13, out_features=1)

# 网络的向前计算
    def forward(self, inputs):
        x = self.fc(inputs)
        return x

# 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())

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

# 向前计算
        predicts = model(house_features)

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

# 保存模型参数, 文件名为LR_model.pdparams
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")

def load_one_example():
    # 从上面已加载的测试集中,随机选择一条作为测试数据
    idx = np.random.randint(0, test_data.shape[0])
    idx = -10
    one_data, label = test_data[idx, :-1], test_data[idx, -1]
    # 修改该条数据shape为[1,13]
    one_data = one_data.reshape([1, -1])
    return one_data, label

# 参数为保存模型参数的文件地址
model_dict = paddle.load('LR_model.pdparams')
model.load_dict(model_dict)
model.eval()

# 参数为数据集的文件地址
one_data, label = load_one_example()
# 将数据转为动态图的variable格式
one_data = paddle.to_tensor(one_data)
predict = model(one_data)

print("推理结果为{}，对应的标签为{}".format(predict.numpy().item(), label))

```

最后修改：2023 年 03 月 19 日

如果觉得我的文章对你有用，请随意赞赏

发表评论取消回复

评论 *

私密评论

名称 *

🎲

邮箱 *

地址 *

qnlhlbtzyz
作者以非凡的视角解读平凡，让文字焕发出别样的光彩。
yfrynkdfhc
内容的丰富性和深度让人仿佛置身于知识的海洋，受益匪浅。
zbhgvcirlo
作者以非凡的视角解读平凡，让文字焕发出别样的光彩。
rnntuaazaw
作者的观点新颖且实用，让人在阅读中获得了新的思考和灵感。
ijvwqqiaar
场景转换稍显突兀，可增加过渡描写。

paddlepaddle_预测波士顿房价

茶白 • 2023 年 03 月 19 日

### 预测波士顿房价

> #### 数据准备 housing.data
>
> [**加州大学欧文分校机器学习库波士顿房价数据**](ttps://archive.ics.uci.edu/ml/machine-learning-[databases]()/housing/housing.data)

将housing.data下载并copy到项目目录下

> #### 导包

```python
import numpy as np
import paddle.nn
from paddle.nn import Linear
import paddle.nn.functional as F
```

> #### 加载数据函数

```python
def load_data():
    # 从文件导入数据
    datafile = './housing.data'
    data = np.fromfile(datafile, sep=' ', dtype=np.float32)

# 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])

# 训练集和测试集的划分比例
    training_data = data[:offset]
    test_data = data[offset:]
    return training_data, test_data
```

> #### 线性回归模型

```python
class Regressor(paddle.nn.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
        self.fc = Linear(in_features=13, out_features=1)

# 网络的向前计算
    def forward(self, inputs):
        x = self.fc(inputs)
        return x

```

> #### 声明定义好的线性回归模型

```python
# 声明定义好的线性回归模型
model = Regressor()
```

> #### 开启模型训练模式

```python
model.train()
```

> #### 加载数据

```python
training_data, test_data = load_data()
```

> #### 定义优化算法,使用随机梯度下降SGD, 学习率0.01

```python
opt = paddle.optimizer.SGD(learning_rate=0.01, parameters=model.parameters())
```

> #### 训练

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

# 向前计算
        predicts = model(house_features)

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

# 保存模型参数, 文件名为LR_model.pdparams
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")
```

> #### 加载模型并预测

# 参数为保存模型参数的文件地址
model_dict = paddle.load('LR_model.pdparams')
model.load_dict(model_dict)
model.eval()

# 参数为数据集的文件地址
one_data, label = load_one_example()
# 将数据转为动态图的variable格式
one_data = paddle.to_tensor(one_data)
predict = model(one_data)

print("推理结果为{}，对应的标签为{}".format(predict.numpy().item(), label))
# >>> 推理结果为10.702507972717285，对应的标签为19.700000762939453

````

> #### 完整代码

```python
import numpy as np
import paddle.nn
from paddle.nn import Linear
import paddle.nn.functional as F

def load_data():
    # 从文件导入数据
    datafile = './housing.data'
    data = np.fromfile(datafile, sep=' ', dtype=np.float32)

# 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])

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

# 训练集和测试集的划分比例
    training_data = data[:offset]
    test_data = data[offset:]
    return training_data, test_data

class Regressor(paddle.nn.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
        self.fc = Linear(in_features=13, out_features=1)

# 网络的向前计算
    def forward(self, inputs):
        x = self.fc(inputs)
        return x

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

# 向前计算
        predicts = model(house_features)

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

# 保存模型参数, 文件名为LR_model.pdparams
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")

# 参数为保存模型参数的文件地址
model_dict = paddle.load('LR_model.pdparams')
model.load_dict(model_dict)
model.eval()

# 参数为数据集的文件地址
one_data, label = load_one_example()
# 将数据转为动态图的variable格式
one_data = paddle.to_tensor(one_data)
predict = model(one_data)

print("推理结果为{}，对应的标签为{}".format(predict.numpy().item(), label))

```

paddlepaddle_预测波士顿房价

发表评论取消回复

在线影视视频网站合集

js奇淫技巧（一）

常见的app scheme大全

uniapp图片未加载成功前处理方案,防止闪烁

浏览器console引入jq

mysql中的截取函数及其实例

golang 每日一库: gout http client领域的瑞士军刀

idea调试远程tomcat

C# .net winform全局异常处理

前端｜浅谈fetch

paddlepaddle_预测波士顿房价

发表评论 取消回复

paddlepaddle_预测波士顿房价

发表评论取消回复