动手学深度学习--预测房价（Kaggle）

目录

访问和读取数据集

数据预处理

处理数据值

处理离散值

模型

训练

折交叉验证

 模型选择

提交预测

需要注意的函数

slice

---

Kaggle的房价预测比赛，一个简单的线性回归练习，包括如何处理数据、输出csv文件，很实用。

此数据集由Bart de Cock于2011年收集 :cite:De-Cock.2011， 涵盖了2006-2010年期间亚利桑那州埃姆斯市的房价。https://www.kaggle.com/c/house-prices-advanced-regression-techniques
 

访问和读取数据集

竞赛数据分为训练集和测试集。 每条记录都包括房屋的属性值和属性，如街道类型、施工年份、屋顶类型、地下室状况等。 这些特征由各种数据类型组成， 例如，建筑年份由整数表示，屋顶类型由离散类别表示，其他特征由浮点数表示。一些数据完全丢失了，缺失值被简单地标记为“NA”。 每套房子的价格只出现在训练集中。 希望划分训练集以创建验证集。

直接从网站下载数据在程序所在文件夹（或放在其他文件夹），然后读取

%matplotlib inline
import numpy as np
import pandas as pd
import torch
from torch import nn
from torch.utils import data


train_data = pd.read_csv('./train.csv') #需要后缀
test_data = pd.read_csv('test.csv')
print(train_data.shape) # (1460, 81)
print(test_data.shape) # (1459, 80)

数据预处理

第一个特征是ID，将id从数据集中删除。其中训练集没有包括最后一列的价格列。合并两个数据集为了同等的处理数据

all_features = pd.concat((train_data.iloc[:, 1:-1], test_data.iloc[:, 1:]))

处理数据值

将所有缺失的值替换为相应特征的平均，将特征重新缩放到零均值和单位方差来标准化数据。

首先要得到数据类型的列。先观察DataFrame各列的数据类型

print(all_features.dtypes)

MSSubClass         int64
MSZoning          object
LotFrontage      float64
LotArea            int64
Street            object
                  ...   
MiscVal            int64
MoSold             int64
YrSold             int64
SaleType          object
SaleCondition     object
Length: 79, dtype: object

下面采用了高级用法lambda表达式来处理DataFrame的数据列

# 若无法获得测试数据，则可根据训练数据计算均值和标准差
numeric_features = all_features.dtypes[all_features.dtypes != 'object'].index
all_features[numeric_features] = all_features[numeric_features].apply(
    lambda x: (x - x.mean()) / (x.std()))
# 在标准化数据之后，所有均值消失，因此我们可以将缺失值设置为0
all_features[numeric_features] = all_features[numeric_features].fillna(0)

处理离散值

独热编码替换它们。例如，“MSZoning”包含值“RL”和“Rm”。 我们将创建两个新的指示器特征“MSZoning_RL”和“MSZoning_RM”，其值为0或1

可以看到，此转换会将特征的总数量从79个增加到331个。 最后，通过values属性，我们可以从pandas格式中提取NumPy格式，并将其转换为张量表示用于训练。

# “Dummy_na=True”将“na”（缺失值）视为有效的特征值，并为其创建指示符特征
all_features = pd.get_dummies(all_features, dummy_na=True)
all_features.shape  # (2919, 331)

n_train = train_data.shape[0]
train_features = torch.tensor(all_features[:n_train].values, dtype=torch.float32)
test_features = torch.tensor(all_features[n_train:].values, dtype=torch.float32)
train_labels = torch.tensor(train_data.SalePrice.values.reshape(-1, 1), dtype=torch.float32)

 从DataFrame取出数据的原理：

type(train_data)  # pandas.core.frame.DataFrame
type(train_data.SalePrice)  # pandas.core.series.Series
type(train_data.SalePrice.values) # numpy.ndarray

模型

def log_rmse(net, features, labels):
    # 为了在取对数时进一步稳定该值，将小于1的值设置为1
    clipped_preds = torch.clamp(net(features), 1, float('inf'))
    rmse = torch.sqrt(loss(torch.log(clipped_preds),
                           torch.log(labels)))
    return rmse.item()

in_features = train_features.shape[1]

def get_net():
    net = nn.Sequential(nn.Linear(in_features,1))
    return net

k, num_epochs, lr, weight_decay, batch_size = 5, 100, 5, 0, 64
loss = nn.MSELoss()
net = get_net()
optimizer = torch.optim.Adam(net.parameters(),
                                 lr = lr,
                                 weight_decay = weight_decay)

房价就像股票价格一样，我们关心的是相对数量，而不是绝对数量。 因此，[我们更关心相对误差(−̂ )/，而不是绝对误差−̂ 

 这就是上面的log_rmse函数。也就是说，评价模型好坏和梯度下降的目标函数用的不是一个函数

训练

def train(net, train_features, train_labels, test_features, test_labels,
          num_epochs, batch_size):
    train_ls, test_ls = [], []
    train_iter = load_array((train_features, train_labels), batch_size)
    for epoch in range(num_epochs):
        for X, y in train_iter:
            optimizer.zero_grad()
            y_pred = net(X)
            l = loss(y_pred, y)
            l.backward()
            optimizer.step()            
        train_ls.append(log_rmse(net, train_features, train_labels))
        if test_labels is not None:
            test_ls.append(log_rmse(net, test_features, test_labels))
    return train_ls, test_ls


def load_array(data_arrays, batch_size, is_train=True):
    """Construct a PyTorch data iterator.
    """
    dataset = data.TensorDataset(*data_arrays)
    return data.DataLoader(dataset, batch_size, shuffle=is_train)

折交叉验证

定义一个函数，在K折交叉验证过程中返回第i折的数据。 具体地说，它选择第i个切片作为验证数据，其余部分作为训练数据。 注意，这并不是处理数据的最有效方法，如果我们的数据集大得多，会有其他解决办法。

def get_k_fold_data(k, i, X, y):
    assert k > 1
    fold_size = X.shape[0] // k
    X_train, y_train = None, None
    for j in range(k):
        idx = slice(j * fold_size, (j + 1) * fold_size)
        X_part, y_part = X[idx, :], y[idx]
        if j == i:
            X_valid, y_valid = X_part, y_part  # 第i个fold设为验证集
        elif X_train is None:
            X_train, y_train = X_part, y_part
        else:
            X_train = torch.cat([X_train, X_part], 0)  # 其他fold合并为训练集
            y_train = torch.cat([y_train, y_part], 0)
    return X_train, y_train, X_valid, y_valid

def k_fold(k, X_train, y_train, num_epochs, batch_size):
    train_l_sum, valid_l_sum = 0, 0
    for i in range(k):
        data = get_k_fold_data(k, i, X_train, y_train)        
        train_ls, valid_ls = train(net, *data, num_epochs, batch_size)  # data是长度为4的元祖，用*号拆分开
        train_l_sum += train_ls[-1]
        valid_l_sum += valid_ls[-1]
        if i == 0:
            plot(list(range(1, num_epochs + 1)), [train_ls, valid_ls],
                xlabel='epoch', ylabel='rmse', xlim=[1, num_epochs],
                legend=['train', 'valid'], yscale='log')
        print(f'折{i + 1}，训练log rmse{float(train_ls[-1]):f}, '
              f'验证log rmse{float(valid_ls[-1]):f}')
    return train_l_sum / k, valid_l_sum / k

 用到的画图函数

from matplotlib_inline import backend_inline
import matplotlib.pyplot as plt

def plot(X, Y=None, xlabel=None, ylabel=None, legend=None, xlim=None,
         ylim=None, xscale='linear', yscale='linear',
         fmts=('-', 'm--', 'g-.', 'r:'), figsize=(3.5, 2.5), axes=None):
    """Plot data points.
    """
    if legend is None:
        legend = []

    set_figsize(figsize)
    axes = axes if axes else plt.gca()

    # Return True if `X` (tensor or list) has 1 axis
    def has_one_axis(X):
        return (hasattr(X, "ndim") and X.ndim == 1 or isinstance(X, list)
                and not hasattr(X[0], "__len__"))

    if has_one_axis(X):
        X = [X]
    if Y is None:
        X, Y = [[]] * len(X), X
    elif has_one_axis(Y):
        Y = [Y]
    if len(X) != len(Y):
        X = X * len(Y)
    axes.cla()
    for x, y, fmt in zip(X, Y, fmts):
        if len(x):
            axes.plot(x, y, fmt)
        else:
            axes.plot(y, fmt)
    set_axes(axes, xlabel, ylabel, xlim, ylim, xscale, yscale, legend)
    
def set_figsize(figsize=(3.5, 2.5)):
    """Set the figure size for matplotlib.
    """
    use_svg_display()
    plt.rcParams['figure.figsize'] = figsize

def set_axes(axes, xlabel, ylabel, xlim, ylim, xscale, yscale, legend):
    """Set the axes for matplotlib.
    """
    axes.set_xlabel(xlabel)
    axes.set_ylabel(ylabel)
    axes.set_xscale(xscale)
    axes.set_yscale(yscale)
    axes.set_xlim(xlim)
    axes.set_ylim(ylim)
    if legend:
        axes.legend(legend)
    axes.grid()
    
def use_svg_display():
    """Use the svg format to display a plot in Jupyter.
    """
    backend_inline.set_matplotlib_formats('svg')

 模型选择

下面的代码有点问题，lr和 weight_decay并没有起作用。调试参数的时候要重新生成optimizer，可以放进k_fold中

k, num_epochs, lr, weight_decay, batch_size = 5, 100, 5, 0, 64
train_l, valid_l = k_fold(k, train_features, train_labels, num_epochs, batch_size)
print(f'{k}-折验证: 平均训练log rmse: {float(train_l):f}, '
      f'平均验证log rmse: {float(valid_l):f}')

提交预测

使用所有数据进行训练 （而不是仅使用交叉验证中使用的1−1/的数据）。 然后，我们通过这种方式获得的模型可以应用于测试集。 将预测保存在CSV文件中可以简化将结果上传到Kaggle的过程。

def train_and_pred(train_features, test_features, train_labels, test_data,
                   num_epochs, batch_size):
    train_ls, _ = train(net, train_features, train_labels, None, None,
                        num_epochs, batch_size)
    d2l.plot(np.arange(1, num_epochs + 1), [train_ls], xlabel='epoch',
             ylabel='log rmse', xlim=[1, num_epochs], yscale='log')
    print(f'训练log rmse：{float(train_ls[-1]):f}')
    # 将网络应用于测试集。
    preds = net(test_features).detach().numpy()
    # 将其重新格式化以导出到Kaggle
    # preds的形状是(1459, 1)， preds.reshape(1, -1)[0]的形状是(1459,)
    test_data['SalePrice'] = pd.Series(preds.reshape(1, -1)[0])
    submission = pd.concat([test_data['Id'], test_data['SalePrice']], axis=1)
    submission.to_csv('submission.csv', index=False)

train_and_pred(train_features, test_features, train_labels, test_data,
               num_epochs, batch_size)

需要注意的函数

slice

a = slice(2*1, 4*1)
print(a) 

slice(2, 4, None)
b = torch.tensor([1,2,3,4,5])
print(b[a])

tensor([3, 4])