pytorch神经网络因素预测_实战：使用PyTorch构建神经网络进行房价预测

微信公号：ilulaoshi / 个人网站：lulaoshi.info

本文将学习一下如何使用PyTorch创建一个前馈神经网络(或者叫做多层感知机，Multiple-Layer Perceptron，MLP)，文中会使用PyTorch提供的自动求导功能，训练一个神经网络。

本文的数据集来自Kaggle竞赛：房价预测(https://www.kaggle.com/c/house-prices-advanced-regression-techniques/)。这份数据分为训练数据集和测试数据集。两个数据集都包括每栋房子的特征，如建造年份、地下室状况等特征值。这些特征中，有连续的数值型(Numerical)特征，有离散的分类(Categorical)特征。这些特征中，有些特征值是缺失值“na”。训练数据集包括了每栋房子的价格，也就是需要预测的目标值(Label)。我们应该用训练数据集训练一个模型，并对测试数据集进行预测，然后将结果提交到Kaggle。

数据探索和预处理

首先，我们下载并加载数据集：

train_data_path ='./dataset/train.csv'

train = pd.read_csv(train_data_path)

num_of_train_data = train.shape[0]

test_data_path ='./dataset/test.csv'

test = pd.read_csv(test_data_path)

训练数据集共1460个样本，81个维度，其中，Id是每个样本的唯一编号，SalePrice是房价，也是我们要拟合的目标值。其他维度(列)有数值类特征，也有非数值列，或者叫分类特征。

先查看训练数据集的维度：

train.shape

输出为：

(1460, 81)

或者通过train.describe()来查看整个数据集各个特征的一些统计情况。

接着，我们要把训练数据集和测试数据集合并。将训练数据集和测试数据集合并主要是为了统一特征处理的流程，或者说对训练数据集和测试数据集使用同样的方法，进行同样的特征工程处理。

# 房价，要拟合的目标值

target = train.SalePrice

# 输入特征，可以将SalePrice列扔掉

train.drop(['SalePrice'],axis = 1 , inplace = True)

# 将train和test合并到一起，一块进行特征工程，方便预测test的房价

combined = train.append(test)

combined.reset_index(inplace=True)

combined.drop(['index', 'Id'], inplace=True, axis=1)

接着就要开始进行特征工程了。本文没有进行任何复杂的特征工程，只做了两件事：1、过滤掉了含有缺失值的列；2、对分类特征进行了One-Hot编码。缺失值会在一定程度上影响算法的预测效果，一般可以使用一些默认值或者一些临近值来填充缺失值。对于MLP模型，分类特征必须经过编码，转换成数值才能进行模型训练，One-Hot编码是一种最常见的分类特征处理的方法。

我们用下面的函数过滤非空列：

# 选出非空列

def get_cols_with_no_nans(df,col_type):

'''

Arguments :

df : The dataframe to process

col_type :

num : to only get numerical columns with no nans

no_num : to only get nun-numerical columns with no nans

all : to get any columns with no nans

'''

if (col_type == 'num'):

predictors = df.select_dtypes(exclude=['object'])

elif (col_type == 'no_num'):

predictors = df.select_dtypes(include=['object'])

elif (col_type == 'all'):

predictors = df

else :

print('Error : choose a type (num, no_num, all)')

return 0

cols_with_no_nans = []

for col in predictors.columns:

if not df[col].isnull().any():

cols_with_no_nans.append(col)

return cols_with_no_nans

分别对数值特征和分类特征进行处理：

num_cols = get_cols_with_no_nans(combined, 'num')

cat_cols = get_cols_with_no_nans(combined, 'no_num')

# 过滤掉含有缺失值的特征

combined = combined[num_cols + cat_cols]

print(num_cols[:5])

print ('Number of numerical columns with no nan values: ',len(num_cols))

print(cat_cols[:5])

print ('Number of non-numerical columns with no nan values: ',len(cat_cols))

经过过滤，数值特征共有25列，分类特征共有20列，共45列。

# 对分类特征进行One-Hot编码

def oneHotEncode(df,colNames):

for col in colNames:

if( df[col].dtype == np.dtype('object')):

# pandas.get_dummies 可以对分类特征进行One-Hot编码

dummies = pd.get_dummies(df[col],prefix=col)

df = pd.concat([df,dummies],axis=1)

# drop the encoded column

df.drop([col],axis = 1 , inplace=True)

return df

对于分类特征，还需要进行One-Hot编码，pandas.get_dummies可以帮我们自动完成One-Hot编码过程。经过One-Hot编码后，数据增加了很多列，共有149列。

至此，我们完成了一次非常简单的特征工程，将这些数据转化为PyTorch模型所能接受的Tensor形式：

# 训练数据集特征

train_features = torch.tensor(combined[:num_of_train_data].values, dtype=torch.float)

# 训练数据集目标

train_labels = torch.tensor(target.values, dtype=torch.float).view(-1, 1)

# 测试数据集特征

test_features = torch.tensor(combined[num_of_train_data:].values, dtype=torch.float)

print("train data size: ", train_features.shape)

print("label data size: ", train_labels.shape)

print("test data size: ", test_features.shape)

构建神经网络

接着，我们开始构建神经网络。

在PyTorch中构建神经网络有两种方式。比较简单的前馈网络，可以使用nn.Sequential。nn.Sequential是一个存放神经网络的容器，直接在nn.Sequential里面添加我们需要的层即可。整个模型的输入为特征数，输出为一个标量。模型的隐藏层使用了ReLU激活函数，最后一层是一个线性层，得到的是一个预测的房价值。

model_sequential = nn.Sequential(

nn.Linear(train_features.shape[1], 128),

nn.ReLU(),

nn.Linear(128, 256),

nn.ReLU(),

nn.Linear(256, 256),

nn.ReLU(),

nn.Linear(256, 256),

nn.ReLU(),

nn.Linear(256, 1)

)

另一种构建神经网络的方式是继承nn.Module类，我们将子类起名为Net类。__init__()方法为Net类的构造函数，用来初始化神经网络各层的参数；forward()也是我们必须实现的方法，主要用来实现神经网络的前向传播过程。

class Net(nn.Module):

def __init__(self, features):

super(Net, self).__init__()

self.linear_relu1 = nn.Linear(features, 128)

self.linear_relu2 = nn.Linear(128, 256)

self.linear_relu3 = nn.Linear(256, 256)

self.linear_relu4 = nn.Linear(256, 256)

self.linear5 = nn.Linear(256, 1)

def forward(self, x):

y_pred = self.linear_relu1(x)

y_pred = nn.functional.relu(y_pred)

y_pred = self.linear_relu2(y_pred)

y_pred = nn.functional.relu(y_pred)

y_pred = self.linear_relu3(y_pred)

y_pred = nn.functional.relu(y_pred)

y_pred = self.linear_relu4(y_pred)

y_pred = nn.functional.relu(y_pred)

y_pred = self.linear5(y_pred)

return y_pred

我们已经定义好了一个神经网络的Net类，还要初始化一个Net类的对象实例model，表示某个具体的模型。然后定义损失函数，这里使用MSELoss，MSELoss使用了均方误差(Mean Square Error)来衡量损失函数。对于模型model的训练过程，这里使用Adam算法。Adam是优化算法中的一种，在很多场景中效率要优于SGD。

model = Net(features=train_features.shape[1])

# 使用均方误差作为损失函数

criterion = nn.MSELoss(reduction='mean')

optimizer = torch.optim.Adam(model.parameters(), lr=1e-4)

训练模型

接着，我们使用Adam算法进行多轮的迭代，更新模型model中的参数。这里对模型进行500轮的迭代。

losses = []

# 训练500轮

for t in range(500):

y_pred = model(train_features)

loss = criterion(y_pred, train_labels)

# print(t, loss.item())

losses.append(loss.item())

if torch.isnan(loss):

break

# 将模型中各参数的梯度清零。

# PyTorch的backward()方法计算梯度会默认将本次计算的梯度与缓存中已有的梯度加和。

# 必须在反向传播前先清零。

optimizer.zero_grad()

# 反向传播，计算各参数对于损失loss的梯度

loss.backward()

# 根据刚刚反向传播得到的梯度更新模型参数

optimizer.step()

每次迭代使用训练数据集中的所有样本train_features。model(train_features)实际是执行的model.forward(train_features)，即forward()方法中定义的前向传播逻辑，输入数据在神经网络模型中前向传播，得到预测值y_pred。criterion(y_pred, train_labels)方法计算了预测值y_pred和目标值train_labels之间的损失。

每次迭代时，我们要先对模型中各参数的梯度清零：optimizer.zero_grad()。PyTorch中的backward()默认是把本次计算的梯度和缓存中已有的梯度加和，因此必须在反向传播前先将梯度清零。接着执行backward()方法，完成反向传播过程，PyTorch会帮我们计算各参数对于损失函数的梯度。optimizer.step()会根据刚刚反向传播得到的梯度，更新模型参数。

至此，一个简单的预测房价的模型就训练好了。

测试模型

我们可以使用模型对测试数据集进行预测，将得到的预测值保存成文件，提交到Kaggle上。

predictions = model(test_features).detach().numpy()

my_submission = pd.DataFrame({'Id':pd.read_csv('./dataset/test.csv').Id,'SalePrice': predictions[:, 0]})

my_submission.to_csv('{}.csv'.format('./dataset/submission'), index=False)

参考资料