预测房价：人工智能回归问题

Posted by RAIS on 2020-01-16

​我们之前提出了三个经典的问题，他们分别是：

  1. 二分类问题（电影评论好坏倾向性判断）
  2. 多分类问题（将新闻按照主题分类）
  3. 回归问题（根据房地产数据估算房地产价格）

我们解决了前两个问题，今天我们解决第三个问题，回归问题。

不管是二分类问题还是多分类问题，归结起来都是分类问题，而回归问题不一样，他是一种回归问题，回归问题的训练结果不是离散的情况，而是连续的情况，例如预测明天的气温、全年降水量等。

这里我们引入的依旧是 Keras 内置的实际问题和数据集：预测波斯顿的房价。针对波士顿的不同房屋，我们给出对每个房屋我们给出十三个数据指标，包括房间数、犯罪率和高速公路可达性等，他们的取值范围不一致，0-1、1-12 或 1-100 等，训练的目标是一个连续的值——房屋的价格。具体的步骤如下分别说明：

  1. 从数据集中读取数据我们已经很熟悉了，但是我们观察数据会发现，这些数据的取值范围差别太大了，这会导致网络训练过程的失真，因此比较好的办法是我们先对数据进行预处理，预处理的方法是：(原数据 - 平均值) / 标准差，这就相当于对数据进行标准化，标准化后的数据平均值为 0，标准差为 1。mean 和 std 方法分别是求平均值和计算标准差。

  2. 因为我们这一次的数据量只有五百多个，因此我们采用较小的网络，两个隐藏层。这里我们需要注意的一点是数据量少，训练容易产生过拟合，小型网络更适合。

  3. 我们仍然可以用之前的方法进行训练集与反馈集的划分，但问题是由于我们的数据量太小了，因此具体如何划分反馈集过于随机，这会对最后的结果有很大的影响，因此我们采用的是 K 折交叉验证的方法。K 折交叉验证的含义是我们将数据集分为 K 份，每次从这 K 份中选择一份当做验证集，进行 K 次互相独立的训练，最后取 K 次训练的平均值。具体如图：
    image

  4. 我们画出训练 500 轮的图，可以看到最开始的一些数据不是好数据，我们把他们去掉，然后再绘制一张图，如下别是两次绘制的结果，又可以看到之前出现的问题——过拟合了，因此我们调整循环次数为 80 次
    image
    image

  5. 修改后的训练网络是一个可以接受的网络，我们在测试集上进行验证，整体基本可以达到要求。

到此，我们已经分别讨论文章开始提到的三个问题（包括前两篇文章），二分类问题、多分类问题和回归问题，这其中我们也遇到和解决了一些问题，下面总结如下：

  • 神经网络对数据的处理大多都需要转化为对数字的处理，因此对于文本等内容需要进行预处理；

  • 对于数据集的大小、特征的多少和特征值之间的差别等，考虑数据网络的大小，层数、数据的标准化和训练的迭代次数，此类问题往往也需要画图去观察和判断，最后需要根据调整的参数最终得到比较合适的网络模型；

  • 训练迭代次数不够和过拟合都是经常遇到的问题，都是不够好的训练网络，实际问题中需要对两种情况都进行评估和调整；

  • 损失函数和反馈函数的选取，需要考虑实际问题，根据数据的要求，进行选择；

接下来的文章，将进一步针对上面提到的这些问题进行更加系统的分析和研究。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
#!/usr/bin/env python3

import time

import numpy as np
from keras import layers
from keras import models
from keras.datasets import boston_housing


def housing():
    global train_data

    (train_data, train_targets), (test_data, test_targets) = boston_housing.load_data()
    # (404, 13)
    # print(train_data.shape)
    # (102, 13)
    # print(test_data.shape)
    # [15.2 42.3 50.  21.1 17.7 18.5 11.3 ... 19.4 19.4 29.1]
    # print(train_targets)

    # 平均值
    mean = train_data.mean(axis=0)
    train_data -= mean
    # 标准差
    std = train_data.std(axis=0)
    train_data /= std
    test_data -= mean
    test_data /= std

    k = 4
    num_val_samples = len(train_data) // k
    num_epochs = 500
    all_mae_histories = []
    for i in range(k):
        print('processing fold #', i)
        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]
        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)
        model = build_model()
        model.fit(train_data, train_targets,
                  epochs=80, batch_size=16, verbose=0)
        test_mse_score, test_mae_score = model.evaluate(test_data, test_targets)
        # 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()
    #
    # 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()


def build_model():
    model = models.Sequential()
    model.add(layers.Dense(64, activation='relu',
                           input_shape=(train_data.shape[1],)))
    model.add(layers.Dense(64, activation='relu'))
    model.add(layers.Dense(1))
    model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])
    return model


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


if __name__ == "__main__":
    time_start = time.time()
    housing()
    time_end = time.time()
    print('Time Used: ', time_end - time_start)



FRIENDS