笔者权当做笔记,借鉴的是《Python 深度学习》这本书,里面的代码也都是书上的代码,用的是jupyter notebook 编写代码。回归问题与logistic回归完全不是一类,logistic回归的本质其实是分类。
提示:以下是本篇文章正文内容,下面案例可供参考。
数据点:506个。分为404个训练样本和102个测试样本;输入数据的每个特征都有不同的取值范围。
波士顿房价社数据集也是内置在Keras的一部分。
from keras.datasets import boston_housing
(train_data, train_targets), (test_data, test_targets) = boston_housing.load_data()
每个样本是由13个数值特征的,例如人均犯罪率、住宅平均房间数,高速公路可达性等等。
每一个样本的数值是房价,例如0号索引的值是15.2(15.2千美元)
将取值范围差异很大的数据输入到神经网络中,这是有问题的;
虽然网络可能会自动适应这种取值范围不同的数据,但是学习会变得更加困难。
基于此,我们普遍采用的最佳实践是对每个特征做标准化,
即对输入数据的每个特征(输入数据矩阵中的列),减去特征平均值,再除以标准差,这样得到的特征平均值为0,标准差为1.
# 数据标准化
mean = train_data.mean(axis=0) # 求每一列的平均值,axis = 0 代表的是列
train_data -= mean
std = train_data.std(axis=0) # 求每一列的标准差,axis = 0 代表的是列
train_data /= std
test_data -= mean
test_data /= std
由于样本数量很少,我们采用一个较小的网络;包含两个隐藏层,每层有64个单元。
一般来说,训练的数据越少,过拟合现象会越严重,较小的网络可以降低过拟合。
from keras import models
from keras import layers
# 需要将同一个模型多次实例化,所以用一个函数来构建模型
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)) # 最后一层是一个线性层,不需要激活函数
model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])
# 用到的loss是mse(均方误差, mean squared error) 监控的mae是(平均绝对误差, mean absolute error)
return model
由于数据集太小,如果我们用切片分割出验证集的话会更少
利用K折交叉验证,即:
将数据划分为K个分区(通常K取4和5)
实例化K个相同的模型,
每一个模型在K-1个分区上训练,并在剩下的一个分区上进行评估。
模型的验证分数等于K个验证分数的平均值。
由于数据集太小,如果我们用切片分割出验证集的话会更少
利用K折交叉验证,即:
将数据划分为K个分区(通常K取4和5)
实例化K个相同的模型,
每一个模型在K-1个分区上训练,并在剩下的一个分区上进行评估。
模型的验证分数等于K个验证分数的平均值。
# K折验证
import numpy as np
k = 4
num_val_samples = len(train_data) // k # 取商(404 // 4 == 101)
num_epochs = 100
all_scores = []
for i in range(k):
print('processing fold #', i)
# 准备验证数据
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]
# 准备训练数据:其他所有分区的数据
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)
# 构建keras模型
model = build_model()
model.fit(partial_train_data, partial_train_targets, epochs=num_epochs, batch_size=1, verbose=0)
# 在验证数据集上评估模型
val_mse, val_mae = model.evaluate(val_data, val_targets, verbose=0)
all_scores.append(val_mae)
# 让训练时间更长一些
# K折验证
num_epochs = 500
all_mae_histories = []
for i in range(k):
print('processing fold #', i)
# 准备验证数据
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]
# 准备训练数据:其他所有分区的数据
parti = 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)
# 构建keras模型
model = build_model()
history = model.fit(partial_train_data, partial_train_targets, validation_data=(val_data, val_targets), epochs=num_epochs, batch_size=1, verbose=0)
mae_history = history.history['val_mae']
all_mae_histories.append(mae_history)
import matplotlib.pyplot as plt
plt.plot(range(1, len(average_mae_history) + 1), average_mae_history)
plt.xlabel('Epochs')
plt.ylabel('Validation MAE')
plt.show()
# 上图的纵轴范围较大,数据方差想怼较大
# 删除前10个数据点,因为它们的取值范围与曲线上的其他点不同
# 将每一个数据点替换为前面数据点的指数移动平均值,以得到光滑的曲线
# MAE在39轮的时候不在显著降低,之后开始过拟合
def smooth_curve(points, factor=0.9):
smoothed_points = []
for point in points:
if smoothed_points:
previous = smoothed_points[-1]
smoothed_points.append(previous * factor + point * (1 - factor))
else:
smoothed_points.append(point)
return smoothed_points
smooth_mae_history = smooth_curve(average_mae_history[10:])
plt.plot(range(1, len(smooth_mae_history) + 1), smooth_mae_history)
plt.xlabel('Epochs')
plt.ylabel('Validation MAE')
plt.show()
print(np.argmin(smooth_mae_history)) # 29
model = build_model()
# epochs = 29 + 10
model.fit(train_data, train_targets, epochs=39, batch_size=16, verbose=0)
test_mse_score, test_mae_score = model.evaluate(test_data, test_targets)
回归问题用到的损失函数与分类不一样。回归问题常用的是均方误差(MSE)
回归问题使用的评估标准与分类也是不同。精度的概念不适用于回归问题。常见的回归指标是平均绝对误差(MAE)
如果输入的数据的特征具有不用的取值范围,应该先进行预处理,对每一个特征单独进行缩放
如果可以用的数据很少,使用K折验证可以可靠的评估模型
如果可以用的训练数据很少,最好使用隐藏层较少(通常只有一到两个)的小型网络,以避免严重的过拟合.
这个是我单纯看书跟着敲的,权当作笔记了,后续还要继续学习。强推《Python 深度学习》