【机器学习】044_Kaggle房价预测（机器学习模型实战）

参考自《动手学深度学习》中“Kaggle比赛实战：预测房价”一节

一、数据准备

首先从网站上下载要获取的房价数据。

DATA_HUB是一个字典，用来将数据集名称的字符串和数据集相关的二元组一一对应。

二元组包含两个值：数据集的URL和用来验证文件完整性的sha-1密钥。

※所有数据都托管在地址为DATA_URL的网站上。

获取数据的代码如下：

import hashlib
import os
import tarfile
import zipfile
import requests

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

# 下载数据集并缓存到本地文件目录中
# 函数download()接受两个参数：name（要下载的数据集的名称）和cache_dir（缓存目录的路径）
def download(name, cache_dir=os.path.join('..', 'Kaggle_Data')):  #@save
    """下载一个DATA_HUB中的文件，返回本地文件名"""
    # 检查name是否在DATA_HUB字典中存在
    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

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

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

二、读取数据

使用pandas分别加载两个CSV文件，读取文件内数据。

%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')

# 加载提供的测试集和数据集
train_data = pd.read_csv(download('kaggle_house_train'))
test_data = pd.read_csv(download('kaggle_house_test'))

# 打印训练集和测试集数据的情况，得到其样本数与特征值的数量
print(train_data.shape)
print(test_data.shape)
# 打印前四个和最后一个特征，以及相应标签（房价）
print(train_data.iloc[0:4, [0, 1, 2, 3, -3, -2, -1]])

三、数据预处理

在对数据进行预处理时，首先要针对缺失值进行操作，将所有缺失值替换为相应特征的平均值。

然后对数据进行标准化，将所有数据样本标准化到同一个分布上，将特征重新缩放：均值为0，方差为单位方差。

标准化形式如下所示：

标准化后，用样本均值来填充缺失数据。由于样本均值为0，故用0填补缺失值。

# 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。

使用独热编码（One-Hot Encoding）处理分类型（分类）数据，将每个类别都转换成一个单独的列，并用 0 和 1 来表示每个样本是否属于该类别。

如果设置 dummy_na=True，那么还会为每个分类变量中的缺失值（NaN）创建一个额外的列。在这个额外的列中，如果原始数据集中的样本在该分类变量上的值是缺失的，那么在这个新列中为该样本赋值 1，否则赋值 0。

# “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

# 再次检查all_features中是否存在NAN数据，将其记为0
non_numeric_columns = all_features.select_dtypes(exclude=[np.number]).columns
print(non_numeric_columns)

for column in non_numeric_columns:
    all_features[column] = all_features[column].astype(float)
    
all_features = all_features.fillna(0)

最后，通过value属性，可以将pandas格式的数据提取为numpy格式，将其转化为张量。

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)

四、训练模型

训练一个带有损失函数的线性模型。线性模型较为简单，可作为基线模型，后续可以加之以改进。

· MSELoss()表示均方损失函数

· in_features表示输入值，其个数（大小）和特征值的数目相同，也就是train_features的第一维

· 定义全连接层Linear层，输入为in_features，输出为一个数。

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

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

房价就像股票价格一样，相对误差的重要性大于绝对误差。

> 例如，如果我们在俄亥俄州农村地区估计一栋房子的价格时， 假设我们的预测偏差了10万美元， 然而那里一栋典型的房子的价值是12.5万美元， 那么模型可能做得很糟糕。 另一方面，如果我们在加州豪宅区的预测出现同样的10万美元的偏差， （在那里，房价中位数超过400万美元） 这可能是一个不错的预测。

用价格预测的对数来衡量差异。预测价格的对数与真实标签价格的对数之间出现以下均方根误差：

log_rmse()函数对神经网络做出一个对数相对误差计算，返回一个误差值。

这个误差值可用来衡量模型的精度。

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()

借助Adam算法训练模型参数。Adam算法即自适应时刻估计方法（Adaptive Moment Estimation），能计算每个参数的自适应学习率。不仅存储了AdaDelta先前平方梯度的指数衰减平均值，而且保持了先前梯度M(t)的指数衰减平均值。

· train_ls、test_ls两个数组用来存储训练损失和测试损失。

· 使用torch里的函数创建好迭代器访问训练数据集的特征与标签。

· 定义Adam优化器。

· 执行迭代，每次迭代先清除上一次迭代的梯度，使用net(X)获取预测结果，然后用loss()计算损失l，用l进行反向传播，更新梯度与模型参数。在每次迭代结束后，用对数损失计算函数计算训练集和测试集上的对数误差，然后将误差结果添加到数组里。

· 返回误差结果。

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

五、K则交叉验证

利用K则交叉验证来评估模型的性能。通过K则交叉验证在不同折上的不同表现，以及比较模型对训练集和测试集上的误差，可以确定模型遇到的一些问题，确定其是否遇到欠拟合或过拟合。

• 如果多数折中模型在训练集上的误差明显低于验证集，这表明过拟合。
• 如果在多数折中模型在训练集和验证集上的误差都很高，这表明欠拟合。

另外，K则交叉验证也可辅助进行参数调优。准备好不同的超参数组合，各自在K则交叉验证上验证模型的效果，并选择效果最好的那个组合。使用选定的最优超参数，在所有可用的训练数据上重新训练模型，构建最终模型。

例：假设正在训练一个神经网络，并想确定最佳的学习率和批量大小。可以定义一个参数空间，如学习率 = [0.01, 0.001, 0.0001] 和批量大小 = [16, 32, 64]。对于这个参数空间中的每个组合（共9种），使用k折交叉验证来评估模型性能，然后选择平均性能最佳的组合。

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

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

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}')

最终呈现的验证效果：

六、预测结果

· 定义net为之前定义好的神经网络层。

· 调用train()函数获取训练误差，并绘制图像呈现训练误差的效果。

· 模型训练好后，使用训练好的模型对测试集进行预测，并将结果从Pytorch张量转化为Numpy数组，保存到preds里。

· 将预测结果preds添加到test_data这个DataFrame变量中的SalePrice列里。

※pd.Series(preds.reshape(1,-1)[0])表示将preds转化为一行n列（-1表示根据总元素数量自动确定）的Numpy数组，再将第1行也就是这个数组全部元素转化为Series类型变量，以便添加到test_data的列中去。

· 合并Id列和SalePrice列，将其保存为CSV文件。

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)

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

最终呈现的模型效果：