机器学习实践八：基于线性回归预测波士顿房价

目录

一、线性回归定义

二、房价预测流程

1.数据集的加载

2.神经网络模型的搭建

3.网络模型训练和测试

三、模型总结

---

一、线性回归定义

线性回归（Linear regression）是利用回归方程（函数）对一个或多个自变量（特征值）和因变量（目标值）之间关系进行建模的一种分析方式。

• 特点：只有一个自变量的情况称为单变量回归，多于一个变量的情况称为多元回归
• 通用公式：

二、房价预测流程

本实践基于百度飞浆平台（PaddlePaddle）,使用深度学习框架paddle，paddle API 文档链接：

使用指南-使用文档-PaddlePaddle深度学习平台

• 步骤一：数据集的加载  
• 步骤二：神经网络模型的搭建
• 步骤三：网络模型训练和测试

1.数据集的加载

uci-housing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训练集和测试集的接口，分别为paddle.dataset.uci_housing.train( ) 和  paddle.dataset.uci_housing.test( ) 。

#设置默认的全局dtype（数据类型）为float64
paddle.set_default_dtype("float64")
# 训练数据集
train_dataset = paddle.text.datasets.UCIHousing(mode='train')
# 评估数据集
eval_dataset = paddle.text.datasets.UCIHousing(mode='test')
# 初始化数据读取器
train_loader = paddle.io.DataLoader(train_dataset, batch_size=32, shuffle=True)
eval_loader = paddle.io.DataLoader(eval_dataset, batch_size = 8, shuffle=False)

相关API:

# 设置全局数据类型
paddle.set_default_dtype("float64") 
 
# paddle.io.DataLoader API 可对数据集进行多进程的读取，并且可自动完成划分 batch 的工作。
train_loader = paddle.io.DataLoader(train_custom_dataset, batch_size=64, shuffle=True, 
                                          num_workers=1, drop_last=True)
·train_custom_dataset：训练数据集
·batch_size：每批次读取样本数，batch_size=64 表示每批次读取 64 个样本。
·shuffle：样本乱序，shuffle=True 表示在取数据时打乱样本顺序，以减少过拟合发生的可能。
·num_workers：同步/异步读取数据，通过 num_workers 来设置加载数据的子进程个数，
  num_workers的值设为大于0时，即开启多进程方式异步加载数据，可提升数据读取速度。
·drop_last：丢弃不完整的批次样本， drop_last=True 表示丢弃因数据集样本数不能被 
  batch_size 整除而产生的最后一个不完整的 batch 样本。

2.神经网络模型的搭建

本模型比较简单，只有一层隐藏层网络，对算力需求不高

# 定义全连接网络
class Regressor(paddle.nn.Layer):
    def __init__(self):
        super(Regressor, self).__init__()
        # 定义一层全连接层，输出维度是1，激活函数为None，即不使用激活函数
        self.linear = paddle.nn.Linear(13, 1, None)
    
    # 网络的前向计算函数
    def forward(self, inputs):
        x = self.linear(inputs)
        return x

• paddle.nn.Linear(13, 1, None) 表示的就是 

相关API:

class paddle.nn.Linear(in_features, out_features, weight_attr=None, bias_attr=None, name=None)
·in_features (int)：线性变换层输入单元的数目。
·out_features (int)：线性变换层输出单元的数目。
·weight_attr (ParamAttr，可选)：指定权重参数的属性。默认值为 None，表示使用默认的权重参数属性。
·bias_attr (ParamAttr|bool，可选)：指定偏置参数的属性。bias_attr为 bool 类型且设置为 False 时，
 表示不会为该层添加偏置。bias_attr如果设置为 True 或者 None，则表示使用默认的偏置参数属性，将偏
 置参数初始化为 0。
·name (str，可选)：一般无需设置，默认值为 None。
注：该类定义了__call__方法，允许对象像函数一样调用

3.网络模型训练和测试

定义画图函数：

Batch=0
Batchs=[]
all_train_accs=[]
def draw_train_acc(Batchs, train_accs):
    title="training accs"
    plt.title(title, fontsize=24)
    plt.xlabel("batch", fontsize=14)
    plt.ylabel("acc", fontsize=14)
    plt.plot(Batchs, train_accs, color='green', label='training accs')
    plt.legend()
    plt.grid()
    plt.show()
 
all_train_loss=[]
def draw_train_loss(Batchs, train_loss):
    title="training loss"
    plt.title(title, fontsize=24)
    plt.xlabel("batch", fontsize=14)
    plt.ylabel("loss", fontsize=14)
    plt.plot(Batchs, train_loss, color='red', label='training loss')
    plt.legend()
    plt.grid()
    plt.show()

训练模型：

model=Regressor() # 模型实例化
model.train() # 训练模式
mse_loss = paddle.nn.MSELoss()  # 初始化误差计算对象
opt=paddle.optimizer.SGD(learning_rate=0.0005, parameters=model.parameters())  # 初始化优化器
 
epochs_num=200 #迭代次数
 
# 一共进行200次迭代，训练200次，得到较为接近的xi值
for pass_num in range(epochs_num):
    for batch_id,data in enumerate(train_loader()):
        image = data[0]   # 特征值，即前13个数
        label = data[1]   # 目标值，最后一个数——房价中位数
 
        predict=model(image) # 数据传入model，得到预测值
        loss=mse_loss(predict,label) # 计算预测值和目标值的均方差误差
        
        # 打印每次迭代训练的结果
        if batch_id!=0 and batch_id%10==0:
            Batch = Batch+10
            Batchs.append(Batch)
            all_train_loss.append(loss.numpy()[0])
            print("epoch:{},step:{},train_loss:{}".format(pass_num,batch_id,loss.numpy()[0])  )   
 
        # 将误差反向传播   
        loss.backward()       
        # 优化器进行优化，即优化x1,x2,x3...的值
        opt.step()
        # opt.clear_grad()来重置梯度
        opt.clear_grad()   
 
paddle.save(model.state_dict(),'Regressor') # 保存模型
draw_train_loss(Batchs,all_train_loss) # 画训练批次和损失的关系图

相关API:

paddle.nn.MSELoss(reduction='mean')
作用：计算预测值和目标值的均方差误差
 
class paddle.optimizer.SGD(learning_rate=0.001, parameters=None, weight_decay=None, 
                                                      grad_clip=None, name=None)
随机梯度下降算法的优化器，为网络添加反向计算过程，并根据反向计算所得的梯度，更新 parameters 中的 
Parameters，最小化网络损失值 loss。
·learningrate (float|LRScheduler，可选)：学习率，用于参数更新的计算。可以是一个浮点型值或者一个
 LRScheduler 类，默认值为 0.001。
·parameters (list，可选)：指定优化器需要优化的参数。在动态图模式下必须提供该参数；在静态图模式下默
 认值为 None，这时所有的参数都将被优化。
·weight_decay (float|Tensor，可选)：权重衰减系数，是一个 float 类型或者 shape 为[1]，数据类型为 
 float32 的 Tensor 类型。默认值为 0.01。
·grad_clip (GradientClipBase，可选) – 梯度裁剪的策略，支持三种裁剪策略：
 paddle.nn.ClipGradByGlobalNorm, paddle.nn.ClipGradByNorm, paddle.nn.ClipGradByValue。 
 默认值为 None，此时将不进行梯度裁剪。
·name (str，可选)：一般无需设置，默认值为 None。

模型评估：

#模型评估
para_state_dict = paddle.load("Regressor") 
model = Regressor()
model.set_state_dict(para_state_dict) #加载模型参数
model.eval() #验证模式
 
losses = []
infer_results=[]
groud_truths=[]
 
for batch_id,data in enumerate(eval_loader()):#测试集
    image=data[0]
    label=data[1] 
    groud_truths.extend(label.numpy())    
    predict=model(image) 
    infer_results.extend(predict.numpy())      
    loss=mse_loss(predict,label)
    losses.append(loss.numpy()[0])
    avg_loss = np.mean(losses)
print("当前模型在验证集上的损失值为:",avg_loss)

三、模型总结

线性回归模型就是围绕公式    开展模型搭建，根据已有的数据进行大量训练得到初步的  值和误差 ，接着优化器优化  值使 不断减小，经过多轮循环得到更为合适的  ，从而用已知的公式预测想要得到的数据。