波士顿房价预测——机器学习入门级案例

Posted 2023-01-14 心无旁骛~

一、数据处理

1.1 数据集介绍

本实验使用波士顿房价预测数据集，共506条样本数据，每条样本包含了13种可能影响房价的因素和该类房屋价格的中位数，各字段含义如下表所示：

字段名	类型	含义
CRIM	float	该镇的人均犯罪率
ZN	float	占地面积超过25,000平方呎的住宅用地比例
INDUS	float	非零售商业用地比例
CHAS	int	是否邻近 Charles River 1=邻近；0=不邻近
NOX	float	一氧化氮浓度
RM	float	每栋房屋的平均客房数
AGE	float	1940年之前建成的自用单位比例
DIS	float	到波士顿5个就业中心的加权距离
RAD	int	到径向公路的可达性指数
TAX	int	全值财产税率
PTRATIO	float	学生与教师的比例
B	float	1000(BK-0.63)^2，其中BK是城镇中黑人的比例
LSTAT	float	低收入人群占比
MEDV	float	同类房屋价格的中位数

数据集下载地址：https://archive.ics.uci.edu/ml/machine-learning-databases/housing/housing.data

1.2 数据导入

（1）波士顿房价预测数据集存储在文本文件中的数据格式为下图所示：

其中的X就是数据集介绍中的CRIM-LSTAT部分，而Y就是MEDV，即同类房屋价格的中位数，也就是我们后面要预测的值。

（2）使用Numpy从文件导入数据np.fromfile

# 导入需要用到的package
import numpy as np
import json
# 读入训练数据
datafile = 'housing.data'
data = np.fromfile(datafile, sep=' ')

导入结果：

注释： np.tofile和np.fromfile可以实现数组写到磁盘文件中

print(data.shape)
# 输出(7084,)

我们可以发现，我们进行上述代码操作以后，将文件中的数据集生成了一个一维的数组，通过打印data.shape可以发现这个一维数组的长度为7084。
细心的朋友不难发现，7084不就是506 x 14以后的结果吗~

没错，在这时候我们就需要重新将data数据重新处理一下，用reshape()方法将其处理为(506, 14)的二维数组。

# 每条数据包括14项，其中前面13项是影响因素，第14项是相应的房屋价格中位数
feature_names = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV']
feature_num = len(feature_names)

# 将原始数据进行reshape, 变为[N, 14]这样的形状
data = data.reshape([data.shape[0] // feature_num, feature_num])
print(data.shape)
# 输出(506, 14)

# 查看数据
X = data[0]
print(X.shape)
print(X)
# 输出
#(14,)
# [6.320e-03 1.800e+01 2.310e+00 0.000e+00 5.380e-01 6.575e+00 6.520e+01
# 4.090e+00 1.000e+00 2.960e+02 1.530e+01 3.969e+02 4.980e+00 2.400e+01]

由此可以看出每条数据是一个长度为14的一维数组，前13项是影响房价的因素，最后一项是房价。

1.3 数据集划分

在机器学习和深度学习过程中，往往要将数据集划分为训练集和测试集两部分，训练集用来进行训练，一般会取数据集的80%-90%，而测试集用来对训练好的模型性能进行评估，一般只取少量数据集，大概为10%左右。

ratio = 0.8
offset = int(data.shape[0] * ratio)
train_data = data[:offset]
test_data = data[offset:]
print(train_data.shape)
print(test_data.shape)
# 输出:
# (404, 14)
# (102, 14)

波士顿房价预测数据集中原有数据集为506行，经过划分以后，训练集为原来的80%，即404，测试集为原来的20%，即102。

1.4 归一化处理

对特征取值范围进行归一化，有两个好处：

• 特征训练更高效
• 特征前的权重大小可代表该变量对预测结果的贡献度

注意：预测时，样本数据同样也需要归一化，以训练样本的均值和极值计算

# 计算train数据集的最大值、最小值和平均值
maxinums, mininums, avgs = data_slice.max(axis=0), data_slice.min(axis=0), data_slice.sum(axis=0) / data_slice.shape[0]

# 对数据进行归一化处理
for i in range(feature_num):
    # print(maxinums[i], mininums[i], avgs[i])
    data[:, i] = (data[:, i] - avgs[i]) / (maxinums[i] - mininums[i])

1.5 将完整代码封装成load_data函数

def load_data():
    # 从文件导入数据
    datafile = 'housing.data'
    data = np.fromfile(datafile, sep=' ')
    print(data.shape)
    # 每条数据包括14项，其中前面13项是影响因素，第14项是相应的房屋价格中位数
    feature_names = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV']
    feature_num = len(feature_names)

    # 将原始数据进行reshape, 变为[N, 14]这样的形状
    data = data.reshape([data.shape[0] // feature_num, feature_num])
    print(data.shape)
    X = data[0]
    print(X.shape)
    print(X)
    # 将原数据集拆分成训练集和测试集
    # 这里使用80%的数据做训练，20%的数据做测试
    # 测试集和训练集必须是没有交集的
    ratio = 0.8
    offset = int(data.shape[0] * ratio)
    data_slice = data[:offset]

    # 计算train数据集的最大值、最小值和平均值
    maxinums, mininums, avgs = data_slice.max(axis=0), data_slice.min(axis=0), data_slice.sum(axis=0) / data_slice.shape[0]

    # 对数据进行归一化处理
    for i in range(feature_num):
        # print(maxinums[i], mininums[i], avgs[i])
        data[:, i] = (data[:, i] - avgs[i]) / (maxinums[i] - mininums[i])

    # 训练集和测试集的划分比例
    # ratio = 0.8
    train_data = data[:offset]
    test_data = data[offset:]

    return train_data, test_data

1.6 获取数据

# 获取数据
train_data, test_data = load_data()
print(train_data.shape)
x = train_data[:, :-1]
y = train_data[:, -1:]
print(x[0])
print(y[0])
#[-0.02146321  0.03767327 -0.28552309 -0.08663366  0.01289726  0.04634817
#  0.00795597 -0.00765794 -0.25172191 -0.11881188 -0.29002528  0.0519112
# -0.17590923]
#[-0.00390539]

二、设计模型

波士顿房价预测案例是一个非常典型的线性回归问题。

2.1 前向计算

输入x一共有13个变量，y只有1个变量，所以权重w的shape是[13, 1]

• w可以任意赋初值如下

w = [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, -0.1, -0.2, -0.3, -0.4, 0.0]
w = np.array(w).reshape([13, 1])

• 取出第1条样本数据，观察它与w相乘之后的结果

x1 = X[0]
t = np.dot(x1, w)
print(t)
# 输出：[0.03395597]

• 另外还需要初始化权重b，这里我们给它赋值-0.2观察输出

b = -0.2
z = t + b
print(z)
# 输出 [-0.16604403]

2.2 以类的方式实现网络结果（前向计算）

1. 使用时可以生成多个模型示例
2. 类成员变量有w和b，在类初始化函数时初始化变量（w随机初始化，b = 0）
3. 函数成员forward 完成从输入特征x到输出z的计算过程（即前向计算）

class NetWork(object):
    def __init__(self, num_of_weights):
        # 随机产生w的初始值
        # 为了保持程序每次运行结果的一致性，此处设置了固定的随机数种子
        np.random.seed(0)
        self.w = np.random.randn(num_of_weights, 1)
        self.b = 0

    def forward(self, x):
        z = np.dot(x, self.w) + self.b

        return z

随机选取一个样本测试下效果

net = NetWork(13)
x1 = x[0]
y1 = y[0]
z = net.forward(x1)
print(z)
# 输出 [-0.63182506]

此时我们可以看出，现阶段搭建的模型只有一个花架子，并不具备预测的能力，所以还需改进。

三、模型的损失与优化

3.1 模型好坏的衡量指标——损失函数（loss function）

在回归问题中均方误差是一种比较常见的形式，分类问题中通常会采用交叉熵损失函数，后续有机会再给大家讲解，咱们这篇文章主要讲解均方误差。

3.2 训练配置—同时计算多个样本的损失函数

在训练过程中，我们要计算所有样本的损失，而不是单个样本的损失。

在此过程中我们用到了Numpy的广播机制，便捷的实现多样本的计算
广播功能：像使用单一变量一样操作数组。

class NetWork(object):
    def __init__(self, num_of_weights):
        # 随机产生w的初始值
        # 为了保持程序每次运行结果的一致性，此处设置了固定的随机数种子
        np.random.seed(0)
        self.w = np.random.randn(num_of_weights, 1)
        self.b = 0

    def forward(self, x):
        z = np.dot(x, self.w) + self.b

        return z

    def loss(self, z, y):
        error = z - y
        cost = error * error
        cost = np.mean(cost)

        return cost

net = NetWork(13)
x1 = x[0:3]
y1 = y[0:3]
z = net.forward(x1)
print('predict', z)
loss = net.loss(z, y1)
print('loss', loss)

# 输出 
# predict [[-0.63182506]
# [-0.55793096]
# [-1.00062009]]
# loss 0.7229825055441156

方案1：
我们在高中的时候就学习过，当一条曲线处于极值点的时候，斜率为0，即导数为0。那么我们就可以根据上图中的导数方程来求解出参数w和b的值，以此来达到损失函数极小值的目的。但是由于并不是所有的函数都是像均方误差这样可逆的，在我们进行机器学习或者深度学习的过程中，遇见最多的就是不可逆函数，不可逆函数简单举个例子就是有一个y=x的方程，我们可以根据y求导解出x，但是却不能根据x求导解出y。也就是说不能反过来求解，这就是不可逆函数。
方案2：

在梯度下降法中，根据上图我们可以理解为什么我们使用均方误差而不是绝对误差，我们可以看到，绝对值误差画出来的图像没有坡度，是不可微的，而均方误差画出的Loss函数图像可以看出是可微的，这样子就可以让我们在求解过程中更加的方便。

沿着梯度的反方向可以理解为沿着切线方向下降速度最快的方向，一般切线方向都是向上的，而反方向就是向下的方向。

四、梯度下降代码实现

4.1 训练过程—计算梯度的公式推导

我们在进行梯度公式的推导之前，引入了1/2的因子，这样做的目的仅仅是为了我们的推导过程更加的简洁，没有别的目的，而且这样做并不影响我们整体的推导过程。

4.1.1 训练过程—计算梯度的公式推导（一个样本）

4.1.2 训练过程—基于Numpy广播机制进行梯度计算（多个样本）

• 基于Numpy的广播机制，扩展参数的维度
  

4.1.3 训练过程—基于Numpy计算单个样本—>多个样本对梯度的贡献

• 同样，基于Nupy的广播机制，扩展样本的维度

4.1.4 训练过程—计算所有样本对梯度的贡献，代码十分简洁

4.4.5 训练过程—所有样本对梯度的贡献取平均值

• 参数的更新方向要考虑所有样本的“意见”，总的梯度是所有样本对梯度贡献的平均值
  

• 使用Numpy里面的矩阵操作来完成此过程：

因为后续每走一小步都要进行维度的相加，所以（13， ）要加上1维，变成（13，1），使得到梯度的维度和参数的维度一致，但是加上的1维相当于是虚的，因为13 x 1与13是一样的数字。

4.2 前向计算和后向传播的完整代码

• 全流程的步骤
  1.前向计算
  2.拿到1（前向计算的结果），才能计算损失
  3.拿到1和2，才能计算梯度
  4.根据3，更新参数值

注意：其中第4步是反复循环进行的。

class NetWork(object):
    def __init__(self, num_of_weights):
        # 随机产生w的初始值
        # 为了保持程序每次运行结果的一致性，此处设置了固定的随机数种子
        np.random.seed(0)
        self.w = np.random.randn(num_of_weights, 1)
        self.b = 0

    def forward(self, x):
        z = np.dot(x, self.w) + self.b

        return z

    def loss(self, z, y):
        error = z - y
        cost = error * error
        cost = np.mean(cost)

        return cost

    def gradient(self, x, y):
        z = self.forward(x)
        gradient_w = (z - y) * x
        gradient_w = np.mean(gradient_w, axis=0)  # axis=0表示把每一行做相加然后再除以总的行数
        gradient_w = gradient_w[:, np.newaxis]
        gradient_b = (z - y)
        gradient_b = np.mean(gradient_b)
        # 此处b是一个数值，所以可以直接用np.mean得到一个标量（scalar）
        return gradient_w, gradient_b

    def update(self, gradient_w, gradient_b, eta=0.01):    # eta代表学习率，是控制每次参数值变动的大小，即移动步长，又称为学习率
        self.w = self.w - eta * gradient_w                 # 相减: 参数向梯度的反方向移动
        self.b = self.b - eta * gradient_b

    def train(self, x, y, iterations=1000, eta=0.01):
        losses = []
        for i in range(iterations):
            # 四步法
            z = self.forward(x)     # 前向计算
            L = self.loss(z, y)		# 求误差
            gradient_w, gradient_b = self.gradient(x, y)	# 求梯度
            self.update(gradient_w, gradient_b, eta)		# 更新参数
            losses.append(L)
            if (i + 1) % 10 == 0:
                print('iter , loss '.format(i, L))
        return losses

五、完整代码

import numpy as np
from matplotlib import pyplot as plt


def load_data():
    # 从文件导入数据
    datafile = 'housing.data'
    data = np.fromfile(datafile, sep=' ')
    print(data.shape)
    # 每条数据包括14项，其中前面13项是影响因素，第14项是相应的房屋价格中位数
    feature_names = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV']
    feature_num = len(feature_names)

    # 将原始数据进行reshape, 变为[N, 14]这样的形状
    data = data.reshape([data.shape[0] // feature_num, feature_num])
    print(data.shape)

    # 将原数据集拆分成训练集和测试集
    # 这里使用80%的数据做训练，20%的数据做测试
    # 测试集和训练集必须是没有交集的
    ratio = 0.8
    offset = int(data.shape[0] * ratio)
    data_slice = data[:offset]

    # 计算train数据集的最大值、最小值和平均值
    maxinums, mininums, avgs = data_slice.max(axis=0), data_slice.min(axis=0), data_slice.sum(axis=0) / data_slice.shape[0]

    # 对数据进行归一化处理
    for i in range(feature_num):
        # print(maxinums[i], mininums[i], avgs[i])
        data[:, i] = (data[:, i] - avgs[i]) / (maxinums[i] - mininums[i])

    # 训练集和测试集的划分比例
    # ratio = 0.8
    train_data = data[:offset]
    test_data = data[offset:]

    return train_data, test_data


class NetWork(object):
    def __init__(self, num_of_weights):
        # 随机产生w的初始值
        # 为了保持程序每次运行结果的一致性，此处设置了固定的随机数种子
        np.random.seed(0)
        self.w = np.random.randn(num_of_weights, 1)
        self.b = 0

    def forward(self, x):
        z = np.dot(x, self.w) + self.b

        return z

    def loss(self, z, y):
        error = z - y
        cost = error * error
        cost = np.mean(cost)

        return cost

    def gradient(self, x, y):
        z = self.forward(x)
        gradient_w = (z - y) * x
        gradient_w = np.mean(gradient_w, axis=0)  # axis=0表示把每一行做相加然后再除以总的行数
        gradient_w = gradient_w[:, np.newaxis]
        gradient_b = (z - y)
        gradient_b = np.mean(gradient_b)
        # 此处b是一个数值，所以可以直接用np.mean得到一个标量（scalar）
        return gradient_w, gradient_b

    def update(self, gradient_w, gradient_b, eta=0.01):    # eta代表学习率，是控制每次参数值变动的大小，即移动步长，又称为学习率
        self.w = self.w - eta * gradient_w                 # 相减: 参数向梯度的反方向移动
        self.b = self.b - eta * gradient_b

    def train(self, x, y, iterations=1000, eta=0.01):
        losses = []
        for i in range(iterations):
            # 四步法
            z = self.forward(x)
            L = self.loss(z, y)
            gradient_w, gradient_b = self.gradient(x, y)
            self.update(gradient_w, gradient_b, eta)
            losses.append(L)
            if 深度学习入门案例波士顿房价预测

 机器学习梯度下降法应用波士顿房价预测
 机器学习算法：波士顿房价预测 | 黑马程序员
 机器学习实战二：波士顿房价预测 Boston Housing
 深度学习模型的构建
 机器学习实战—— 用线性回归预测波士顿房价