paddle-波士顿房价线性预测

前言

数据分析的主要模式主要就分为以下几步，本文根据过程进行逐步的运行。

1.数据处理

import paddle
import paddle.nn.functional as F
from paddle.nn import Linear
import numpy as np
import pandas as pd
import os
import random

def load_data():
    # 从文件导入数据
    datafile = './data/data22245/housing.data'
    data = np.fromfile(datafile, sep=' ')

    # 每条数据包括14项，其中前面13项是影响因素，第14项是相应的房屋价格中位数
    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%的数据做训练，20%的数据做测试
    # 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):
        #print(maximums[i], minimums[i], avgs[i])
        data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i])

    # 训练集和测试集的划分比例
    #ratio = 0.8
    #offset = int(data.shape[0] * ratio)
    training_data = data[:offset]
    test_data = data[offset:]
    return training_data, test_data

2.模型设计

这里用的是简单的线性回归模型

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.fc = Linear(in_features=13, out_features=1)
    
    # 网络的前向计算函数
    def forward(self, inputs):
        x = self.fc(inputs)
        return x

3. 训练配置

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，这里使用随机梯度下降-SGD
# 学习率设置为0.01
opt = paddle.optimizer.SGD(learning_rate=0.005, parameters=model.parameters())

4.训练过程

需要通过训练数据来提高模型的准确率

EPOCH_NUM = 30   # 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]).astype('float32') # 获得当前批次训练数据
        y = np.array(mini_batch[:, -1:]).astype('float32') # 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variable形式
        house_features = paddle.to_tensor(x)
        prices = paddle.to_tensor(y)
            
        # 自动进行前向计算，调用forward，得到预测值向量
        predicts = model(house_features)
            
        # 计算损失
        loss = F.square_error_cost(predicts, label=prices) #loss向量
        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()

5.保存模型并测设

paddle.save(model.state_dict(), 'LR_model')
print("模型保存成功，模型参数保存在LR_model中")

model_dict=paddle.load('LR_model')
model.load_dict(model_dict)
model.eval()
test_x = test_data[:,:-1].astype("float32")
test_y = test_data[:,-1].astype("float32")
print(test_x.shape, test_y.shape)
house_features = paddle.to_tensor(test_x)
prices = paddle.to_tensor(test_y)

preds = model(house_features)
loss = F.square_error_cost(preds, label=prices)
print(paddle.mean(loss).numpy())