深度学习3：波士顿房价预测（1）

转载：https://blog.csdn.net/qq_40195614/article/details/90199642?depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-4&utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-4

波士顿房价问题

房价的预测和前两期的问题是不同的，最大的区别就是这个问题不是离散的分类，他是一个连续值，那么在搭建网络时候的技巧就有所区别。

代码实例分析

from keras.datasets import boston_housing
(train_data, train_targets), (test_data, test_targets) =  boston_housing.load_data()

• 1
• 2

导入数据

 train_data.shape
  test_data.shape

看一下数据的尺寸，发现训练集的尺寸是404，13；测试集的尺寸是102，13；说明这些数据不多，这十三个数据特征是各种数值，包括犯罪率，住宅平均房间数，道路的通畅程度等。很明显，这些数据都看起来没什么关系，相互之间无法联系，还有一个最要命的就是我们无法确定那个数据更加的重要。另外，这些数据的范围也不同，想要使用，必须要做一些处理。

train_targets

看一下targets，就可以看到当时房子的房价了，这就是训练集中对应的结果集，类似于上两个例子中的标签集。

mean = train_data.mean(axis=0)
train_data -= mean
std = train_data.std(axis=0)
train_data /= std

test_data -= mean
test_data /= std

这里就是应对数据范围不同的办法，方法叫标准化，含义就是加工每个特征，使他们的数据满足平均值为0，标准差为1.具体的方法就是每列取平均值，减去平均值，再除以减掉之后的标准差。这里要注意标准化所用的数据必须是在训练集上得到，实际操作中不能让任何数据从验证集上得到，不然会导致模型过拟合的问题。

from keras import models
from keras import layers

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

这里就是搭建学习模型的步骤，因为这个模型要重复使用，所以我们把它写成函数的形式。前两层输出维数都是64，并且用激活函数relu去激活，但最后一层是纯的线性层，只输出一个值，而且不激活，可见输出的值是任意范围内的。
下面编译用的是优化器rmsprop，损失函数是mse，即为均方误差，就是预测值与目标值之差的平方，反应了差距的大小，回归问题用的比较多。最后一个指标是mae，平均绝对误差，它求的是差值的绝对值，没有平方。

回到数据集本身，就会发现问题在于训练集和验证集都太小了，特别是验证集小，这会让每次验证的结果差距都比较大，就没办法得出结论，于是就要引入一种K折交叉验证的方法，简单来说就是自给自足，自己验证自己的方法。

import numpy as np

k = 4
num_val_samples = len(train_data) // k
num_epochs = 100
all_scores = []
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()
    # Train the model (in silent mode, verbose=0)
    model.fit(partial_train_data, partial_train_targets,
              epochs=num_epochs, batch_size=1, verbose=0)
    val_mse, val_mae = model.evaluate(val_data, val_targets, verbose=0)
    all_scores.append(val_mae)

这段代码看似很长，其实只反映了一个思想，就是k折验证，第一部分把训练集分成四份，每一份都是待定的验证集；第二部分把第一步选定的数据除外的数据拿出来然后使用concatenate拼接起来当了训练集；第三部分去训练然后验证。得到的分数就是mae。其中的参数verbose为0就是不输出进度条，默认的是1，就是显示进度条，日志，这个不影响过程，只影响能不能看到进度。
后面的事情下一期讲。