实战Kaggle比赛：预测房价

实战Kaggle比赛：预测房价

1 - 下载和缓存数据集

import hashlib
import os
import tarfile
import zipfile
import requests

#@save
DATA_HUB = dict()
DATA_URL = 'http://d2l-data.s3-accelerate.amazonaws.com/'

• DATA_HUB：字典，可将数据集名称的字符串映射到数据集相关的二元组上
  • 该二元组包含数据集的url和验证文件完整性的sha-l密钥
• DATA_URL：类似的数据集都托管在地址该站点上

def download(name, cache_dir=os.path.join('.', 'data')): #@save
    """下载⼀个DATA_HUB中的⽂件，返回本地⽂件名"""
    assert name in DATA_HUB, f"{name} 不存在于 {DATA_HUB}"
    url, sha1_hash = DATA_HUB[name]
    os.makedirs(cache_dir, exist_ok=True)
    fname = os.path.join(cache_dir, url.split('/')[-1])
    if os.path.exists(fname):
        sha1 = hashlib.sha1()
        with open(fname, 'rb') as f:
            while True:
                data = f.read(1048576)
                if not data:
                    break
                sha1.update(data)
        if sha1.hexdigest() == sha1_hash:
            return fname # 命中缓存
    print(f'正在从{url}下载{fname}...')
    r = requests.get(url, stream=True, verify=True)
    with open(fname, 'wb') as f:
        f.write(r.content)
    return fname

• download：该函数用来下载数据集，缓存在本地目录（默认在…/data）中，并返回下载文件的名称
  • 若缓存目录以存在该数据集文件，并且其sha-l与存储在DATA-HUB中的相匹配，我们将使用缓存的文件，避免重复下载

def download_extract(name, folder=None): #@save
    """下载并解压zip/tar⽂件"""
    fname = download(name)
    base_dir = os.path.dirname(fname)
    data_dir, ext = os.path.splitext(fname)
    if ext == '.zip':
        fp = zipfile.ZipFile(fname, 'r')
    elif ext in ('.tar', '.gz'):
        fp = tarfile.open(fname, 'r')
    else:
        assert False, '只有zip/tar⽂件可以被解压缩'
    fp.extractall(base_dir)
    return os.path.join(base_dir, folder) if folder else data_dir

• download_extract：下载并解压缩一个zip/tar文件

def download_all(): #@save
    """下载DATA_HUB中的所有⽂件"""
    for name in DATA_HUB:
        download(name)

• download_all：将本书中使用的所有数据集从DATA_HUB下载到缓存目录中

2 - 访问和读取数据集

%matplotlib inline
import numpy as np
import pandas as pd
import torch
from torch import nn
from d2l import torch as d2l

DATA_HUB['kaggle_house_train'] = ( #@save
    DATA_URL + 'kaggle_house_pred_train.csv',
    '585e9cc93e70b39160e7921475f9bcd7d31219ce')

DATA_HUB['kaggle_house_test'] = ( #@save
    DATA_URL + 'kaggle_house_pred_test.csv',
    'fa19780a7b011d9b009e8bff8e99922a8ee2eb90')

train_data = pd.read_csv(download('kaggle_house_train'))
test_data = pd.read_csv(download('kaggle_house_test'))

正在从http://d2l-data.s3-accelerate.amazonaws.com/kaggle_house_pred_train.csv下载.\data\kaggle_house_pred_train.csv...
正在从http://d2l-data.s3-accelerate.amazonaws.com/kaggle_house_pred_test.csv下载.\data\kaggle_house_pred_test.csv...

print(train_data.shape)
print(test_data.shape)

(1460, 81)
(1459, 80)

查看前四个和最后两个特征，以及相应标签（房价）

print(train_data.iloc[0:4, [0, 1, 2, 3, -3, -2, -1]])

   Id  MSSubClass MSZoning  LotFrontage SaleType SaleCondition  SalePrice
0   1          60       RL         65.0       WD        Normal     208500
1   2          20       RL         80.0       WD        Normal     181500
2   3          60       RL         68.0       WD        Normal     223500
3   4          70       RL         60.0       WD       Abnorml     140000

在每个样本中，第一个特征是ID，这有助于模型识别每个模型样本，虽然这很方便，但不携带任何预测信息，因此在将数据提供给模型之前，可将其从数据集中删除

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

3 - 数据预处理

# 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)

接下来处理离散值。诸如“MSZoning”之类的特征。我们用独热编码替代，方法与前面将多类别标签转换为向量的方式相同。例如，“MSZoning”包含值“RL”和“Rm”，创建两个新的指⽰器特征“MSZoning_RL”和“MSZoning_RM”，其值为0或1。根据独热编码，如果“MSZoning”的原始值为“RL”，则：“MSZoning_RL”为1，“MSZoning_RM”为0。pandas软件包会⾃动为我们实现这⼀点

# “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)

可以看到，此转换将特征值的总数量从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，并将其转换为张量用于训练

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)

4 - 训练

首先，训练一个带有损失平方的线性模型。显然线性模型很难让我们在竞赛中获胜，但线性模型提供了一个健全性检查，以查看数据中是否存在有意义的信息。若我们在这里不能做的比随机猜测更好，那么我们很可能存在数据处理错误。若一切顺利，线性模型将作为基线（baseline）模型，让我们直观地知道好的模型有超出简单的模型多少

loss = nn.MSELoss()
in_features = train_features.shape[1]

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

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()

与前面的部分不同，我们的训练函数将借助Adam优化器，Adam优化器的主要吸引力在于它对初始学习率不那么敏感

def train(net, train_features, train_labels, test_features, test_labels,num_epochs, learning_rate, weight_decay, batch_size):
    train_ls, test_ls = [], []
    train_iter = d2l.load_array((train_features, train_labels), batch_size)
    # 这⾥使⽤的是Adam优化算法
    optimizer = torch.optim.Adam(net.parameters(),
                                    lr = learning_rate,
                                    weight_decay = weight_decay)
    for epoch in range(num_epochs):
        for X, y in train_iter:
            optimizer.zero_grad()
            l = loss(net(X), 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

5 - K折交叉验证

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，若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
        elif X_train is None:
            X_train, y_train = X_part, y_part
        else:
            X_train = torch.cat([X_train, X_part], 0)
            y_train = torch.cat([y_train, y_part], 0)
    return X_train, y_train, X_valid, y_valid

在K次交叉验证中训练K次后，返回训练和验证误差的平均值

def k_fold(k, X_train, y_train, num_epochs, learning_rate, weight_decay,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)
        net = get_net()
        train_ls, valid_ls = train(net, *data, num_epochs, learning_rate,weight_decay, batch_size)
        train_l_sum += train_ls[-1]
        valid_l_sum += valid_ls[-1]
        if i == 0:
            d2l.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

6 - 模型选择

在本例中，我们选择了一组未调优的超参数，找到一组调优的超参数可能需要很长时间，取决于一个人优化了多少变量。当有了足够大的数据集和合理设置的超参数，K折交叉验证往往对多次测试具有相当的稳定性。然而，若我们尝试了不合理的超参数，可能会发现验证效果不再代表真正的误差

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, lr,weight_decay, 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}')

折1，训练log rmse0.170594, 验证log rmse0.157266
折2，训练log rmse0.162075, 验证log rmse0.190974
折3，训练log rmse0.163837, 验证log rmse0.168588
折4，训练log rmse0.167399, 验证log rmse0.154469
折5，训练log rmse0.162827, 验证log rmse0.182865
5-折验证: 平均训练log rmse: 0.165347, 平均验证log rmse: 0.170832

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7JpdBzOV-1662361788799)(https://yingziimage.oss-cn-beijing.aliyuncs.com/img/202209051508974.svg)]

注意，有时一组超参数的训练误差可能非常低，但K折交叉验证的误差要高得多，这表面模型过拟合了。在整个训练过程中，你将希望监控训练误差和验证误差这两个数字。较少的过拟合可能表明现有数据可以⽀撑⼀个更强⼤的模型，较⼤的过拟合可能意味着我们可以通过正则化技术来获益

7 - 提交你的Kaggle预测

既然我们知道应该选择什么样的超参数，我们不妨使⽤所有数据对其进⾏训练（⽽不是仅使⽤交叉验证中使⽤的1 − 1/K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, lr, weight_decay, batch_size):
    net = get_net()
    train_ls, _ = train(net, train_features, train_labels, None, None,num_epochs, lr, weight_decay, 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
    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)

如果测试集上的预测与K倍交叉验证过程中的预测相似，那就是时候把它们上传到Kaggle了。下⾯的代码将⽣成⼀个名为submission.csv的⽂件

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

训练log rmse：0.162455

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3fyIW1p1-1662361788799)(https://yingziimage.oss-cn-beijing.aliyuncs.com/img/202209051508859.svg)]