动手学习深度学习（总结梳理）——8.简单实战kaggle：预测房价

目录

1. 访问和探索数据集

2. 数据预处理

2.1 标准化数据

2.2 离散值处理（独热编码）

3. 训练

4. K折交叉验证

 5. 模型选择

 6. 提交你的预测

7. QA环节

 7.1 减小特征维度能用label encoding嘛？

7.2 K折交叉验证选择超参数，可以在浅层网络调，然后在深层网络上用嘛？或者在随机抽取得少量数据调整，然后在全部数据上用嘛？

---

1. 访问和探索数据集

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。 这就是现实让事情变得复杂的地方：例如，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（毕竟这是一场比赛）。 我们将希望划分训练集以创建验证集，但是在将预测结果上传到Kaggle之后， 我们只能在官方测试集中评估我们的模型。

import pandas as pd
import numpy as np
import torch
from torch import nn
from d2l import torch as d2l

train_data = pd.read_csv('./train.csv')
test_data = pd.read_csv('./test.csv')

 初步探索数据

print(train_data.shape)    # （1460， 81）
print(test_data.shape)     # （1459， 80）

train_data.head()
test_data.head()

 

 很明显可以发现，id这个特征对于我们虽然有识别作用，但是不携带任何有用的信息，可以进行去除,这里可以看到我们把训练数据的最后一行的label也通过切片去除了

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

2. 数据预处理

2.1 标准化数据

标准化也叫标准差标准化，经过处理的数据符合标准正态分布。为什么要进行这种处理？

首先训练一个神经网络提取特征，然后用提取的特征进行分类和位置回归，提取的特征决定了分类和位置回归的准确性，提取的特征要能够代表每个类别的特点，因此神经网络更关注的是类别之间的差异性，并不是看图像的绝对值，例如图像很亮，图像很暗之类的，为了突出差异，所有输入的图像都要减去平均值，平均值是整个数据的平均亮度，形状不一样的图，在某个位置上比其他图亮一些，另外一个位置则比其他要暗一些，这个就是它的特征，这些差异传入神经网络，帮助网络来判断。对于除以方差：数据的不同的特征都可以看作一张图片的一个个像素，这些像素有亮有暗，有些地方变化小，变化大的权重比较大，对网络的影响比较大，但是我们在做特征提取的时候，更希望网络关注的是整个图像的变化，而不是某个局部变化大的地方来影响它的输出。如果除以方差，它的效果是所有像素的取值范围。

根据求导的链式法则，w的局部梯度是X，当X全为正时，由反向传播传下来的梯度乘以X后不会改变方向，要么为正数要么为负数，也就是说w权重的更新在一次更新迭代计算中要么同时减小，要么同时增大。

''' 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)

2.2 离散值处理（独热编码）

 pandas - 数据离散化之 get_dummies,可以帮我们实现文本数据的独热编码

'''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)        '''

 你可以看到，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。

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)

3. 训练

首先，我们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种健全性检查， 以查看数据中是否存在有意义的信息。 如果我们在这里不能做得比随机猜测更好，那么我们很可能存在数据处理错误。 如果一切顺利，线性模型将作为基线（baseline）模型， 让我们直观地知道最好的模型有超出简单的模型多少。

这里net_1是老师给的简单的单层线性模型，调参测试发现在k折交叉验证可能能保持很好，但是总体训练损失函数不稳定，分数也很低，net_2是我自己简单进行了两层隐藏层，采用ReLU激活函数。

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

def net_1():
    net = nn.Sequential(nn.Linear(in_features,1))
    return net    

def net_2():
    net = nn.Sequential(nn.Linear(in_features,128), 
                        nn.ReLU(), 
                        nn.Linear(128, 64), 
                        nn.ReLU(),
                        nn.Linear(64, 1))
    return net

 这里我们为了取对数的时候数据能够稳定，使用压缩区间的torch.clamp对它最大值最小值进行压缩

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 （我们将在后面章节更详细地描述它）。 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

4. K折交叉验证

你可能还记得，我们在第四章讨论模型选择的部分中介绍了K折交叉验证， 它有助于模型选择和超参数调整。 我们首先需要定义一个函数，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(slice切片函数)，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
        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

再写入一个函数，在K折交叉验证中训练K次后，返回训练和验证误差的平均值。（对K求平均）。这里我加入一个Net参数，用于写入不同的神经网络。

def k_fold(k, X_train, y_train, num_epochs, learning_rate, weight_decay,
           batch_size, Net):
    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 = 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

 5. 模型选择

李沐老师选择了一组未调优的超参数，并将其留给读者来改进模型。 找到一组调优的超参数可能需要时间，这取决于一个人优化了多少变量。 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，如果我们尝试了不合理的超参数，我们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}')

这里是我自己优化的三层网络训练调参后的结果，可以观察到，对于纯线性层是可以设置较高的学习率，我猜测可能因为纯线性模型的导数几乎是一个固定值，大些的学习率可以更快找到这个值，但是也不是越大越好。但是对于设置了隐藏层的MLP多层感知机网络，就需要设置低一些的学习率，来使得weight的更新趋于平稳。

k, num_epochs, lr, weight_decay, batch_size = 12, 300, 0.001, 0.001, 128
train_l, valid_l = k_fold(k, train_features, train_labels, num_epochs, lr,
                          weight_decay, batch_size, net_2)
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}')

请注意，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， 这表明模型过拟合了。 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。

 6. 提交你的预测

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):
    net = 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, net_2)

这里也是靠这个简单的模型，和不到10分钟的调参拿到了2000的名次，相信大家根据参考去设计更好的网络和调参，可以取得更好的效果。其次这次可以发现李沐老师说的一些调参策略取得一些效果——先想办法扩大网络的能力去过拟合，然后逐步去削弱，然后对于这个比较简单的模型，感觉weightdecay的效果并不是特别好，日后再去详细去了解正则化的调参。 

 

7. QA环节

 7.1 减小特征维度能用label encoding嘛？

不要在意特征维度的问题，维度这个多一点少一点其实都是没有关系的

7.2 K折交叉验证选择超参数，可以在浅层网络调，然后在深层网络上用嘛？或者在随机抽取得少量数据调整，然后在全部数据上用嘛？

第一个是肯定不可以的，因为网络也是一种超参数，你换了网络训练的模型就大大改变，不是参数能够代替的。第二个是一个比较好的策略，因为太大的数据训练训练时间很长，可以使用这个策略先找个一个大概的参数区间，然后在整个数据集去细微调整。

7.3 为了避免overfit是调参好，还是不调参好？还是有什么别的经验？

正常比赛肯定是开始只能接触到公榜的数据的，比如你拿到了6个月的数据，你可以用前五个月去预测最后一个月，你调参，找到一个真的你觉得非常好的超参数。我的建议是去调整这个超参数的值，往上往下去微调，测试模型的变化，如果你发现微小的变化对模型非常敏感，那么只能说你很有可能到了一个非常不均匀的平面，只是靠运气摸到了一个预测好的精准参数，泛化能力是达不到的。实际应用数据是一直在变的，只有竞赛需要进行调参的细致调整。

7.4 MLP有值得仔细调参的价值嘛？

还是值得去调参的，MLP取决于应用，像是一些新出的组合的网络，也可以应用不同情况，所以我认为如果贴合应用还是值得去调参的。