你能通过“优雅的单宁香”、“成熟的黑醋栗香气”或“浓郁的酒香”这样的描述，预测葡萄酒的价格吗？事实证明，机器学习模型可以。

在这篇文章中，我将解释我是如何利用Keras(tf.keras)建立一个Wide & Deep神经网络，并基于产品描述来预测葡萄酒的价格。对于那些刚接触Keras的人来说，这个用于构建ML模型的TensorFlow API，已经是更高级别的方法了。如果你想直接获取代码，可以去GitHub上查找。你也可以在浏览器中直接运行这个模型，用Colab无需进行设置。

GitHub：https://github.com/sararob/keras-wine-model

colab：https://colab.research.google.com/github/sararob/keras-wine-model/blob/master/keras-wide-deep.ipynb

利用Keras建立Wide & Deep神经网络

我最近一直在用Sequential模型API构建很多Keras模型，但这次我想尝试一下Functional API。Sequential API是Keras的最佳入门方法，它可以让你轻松地将模型定义为层堆栈。而Functional API允许更多灵活性，最适合应用于多重输入模型或组合模型。Functional API的一个实例，就是在Keras中实现一个Wide & Deep网络。因为已经有很多关于Wide & Deep方面的资源，所以我不会描述太多细节。

Wide & Deep Learning：https://research.googleblog.com/2016/06/wide-deep-learning-better-together-with.html

在你用Wide & Deep网络来解决你的ML问题之前，最好确保它非常适合你想要预测的问题。如果你有一个预测任务，输入和输出之间有相对直接的关系，那么一个wide模型可能就足够了。Wide模型是具有稀少特征向量的模型，或者说是大多为零值向量的模型。另一方面，多层深度网络在图像或语音识别等任务中表现良好，在这样的情况下，输入和输出之间可能存在意想不到的关系。如果你的预测任务可以从这两种模型中获益(推荐模型或带有文本输入的模型都是很好的例子)，wide & deep可能就会非常适合你的问题。在这种情况下，我分别尝试了wide模型和deep模型，又将它们结合起来，结果发现wide & deep组合精确度最高。

数据集：预测葡萄酒的价格

我们将使用Kaggle的葡萄酒数据集来测试：能否通过描述和种类预测一瓶葡萄酒的价格？

这个问题很适合wide & deep learning，因为它涉及到文本输入，而且葡萄酒的描述和价格之间并没有显著的相关性。我们不能肯定地说，在描述中有“果味浓”的葡萄酒更贵，或者有“单宁柔和”的葡萄酒更便宜。此外，当我们将文本输入到我们的模型中时，有多种方法来表示文本，并且上述两者都可以导致不同类型的见解。而且两者皆包含wide(词袋)和deep(embedding)特征，结合两者可以使我们从文本中获得更多的意义。这个数据集有很多不同的潜在特征，但是我们只使用描述和种类这两种特征，这样结构相对简单。

下面是这个数据集的输入样本和预测：

输入

描述：酒瓶里冒出浓郁的香草味，即使是在这个不佳葡萄酒酿造期，果香也毫不逊色。这样强烈的水果酸中，含有草本成分，水果、酸、药草和香草以相同的比例迅速作用，生成美味的酒。密封的瓶体，这款酒年份不长，需要过酒换瓶或继续贮存，以完美地出现在世人面前。

种类：Pinot Noir(黑皮诺)

预测

价格：45美元

首先，我们要构建这个模型，需要导入：

由于我们的模型的输出(预测)是具体的价格(数字)，我们就直接把价格数值输入到模型中进行训练和评估。这个模型的完整代码可以在GitHub上找到。这里我只列出重点。

首先，下载数据并将其转换为Pandas数据帧：

之后，我们将它分为训练集和测试集并提取特征和标签：

第一部分：wide模型

特征1：葡萄酒描述

为了创建我们的文本描述的wide代表，我们将使用bag of words model。简单解释下bag of words model：它可以在模型的每个输入中寻找单词。你可以把每一个输入想象成一个拼字块游戏，每一块都是一个单词而不是一个分解的字母。用这个模型无需考虑到描述中单词的顺序，只需查找一个单词是否存在。

我们不会去查看数据集中每个描述中存在的每个词，而是将我们的词袋限制在数据集中的12 000个单词中(内置的Keras工具可以创建这个词汇表)。这就可以代表wide，因为对于每个描述，模型的输入都是12000元素宽的向量，其中1 s和0s分别表示在特定的描述中，来自我们的词汇表的词是否存在。

Keras中有一些用于文本预处理的便利工具，我们用这种工具将文本描述转换成词袋。用bag of words model，我们通常只希望在词汇表中，找到数据集中所有词的子集。在本例中，我使用了12000个单词，但这是一个超参数，所以你可以进行调整(尝试一些数值，看看哪些在数据集上的效果最好)。我们可以使用Keras Tokenizer class来创建词袋：

然后用texts_to_matrix函数将每个描述转换为词袋向量：

特征2：葡萄酒种类

最初的Kaggle数据集中，葡萄酒分为632种。为了让模型更容易提取模式，我做了一些预处理，只保留了前40个种类(大约占原始数据集的65%，或者说共有96000个例子)。我们将使用Keras实用工具将每一个种类转换成整数表示，然后我们为每个表示种类的输入，创建了40个元素wide独热向量。

目前为止，我们已做好建立wide模型的准备了。

用Keras functional API创建wide模型

Keras有两种用于构建模型的API：Sequential API和Functional API。Functional API给我们提供了更多的灵活性，让我们可以对层进行定义，并将多重特征输入合并到一个层中。当我们做好准备，它也能够很容易地将我们的wide和deep模型结合到一起。使用Functional API，我们就可以在短短几行代码中定义我们的wide模型。首先，我们将输入层定义为12000个元素向量(对应词汇表中的每个单词)。然后我们将它连接到Dense输出层，以得出价格预测。

然后我们编译这个模型，这样就可以使用了：

如果我们对其本身使用wide模型，那么这里我们就要调用fit()函数进行训练，调用evaluate()函数进行评估。因为我们以后会把它和deep模型结合起来，所以我们可以在两个模型结合后在进行训练。现在，是时候建立deep模型了。

第二部分：deep模型

为了用deep代表葡萄酒描述，我们将把它作为一种embedding来表示。有很多关于word embeddings的资源，但简单来说就是它们提供了一种将词映射到向量的方法，这样类似的词在向量空间中将会更紧密地结合。

代表描述作为word embedding

为了将我们的文本描述转换为embedding层，我们首先需要将每个描述进行转换，使其成为对应于词汇表中的每个单词的整数向量。我们可以用Keras texts to sequence方法来实现这一点。

现在我们已经有了完整的描述向量，我们需要确保它们长度相同，才能把它们输入到我们的模型中。Keras也有可以作此处理的实用工具。我们用pad_sequences函数在每个描述向量中加入零点，以便它们长度相同(我将170设为最大长度，这样就无需缩短描述)。

描述被转换成长度相同的向量，我们已经准备好创建embedding层并将其输入到deep模型中。

建立deep模型

有两种方法可以创建一个embedding层：其一，我们可以用预训练得到的embedding权重(有很多开源的embedding词)；其二，我们可以从词汇表中学习embedding。最好是对两者进行试验，看看哪一个在数据集上的表现更好。这里我们将使用第二种，即习得的embedding。

首先，我们将定义添加到deep模型的输入的形状。然后我们再将输入添加到embedding层。这里我使用了维度为8的embedding层(你可以尝试对embedding层的维度稍作调整)。embedding层的输出将是一个具有形状的三维向量：批处理大小，序列长度(本例中是170)，embedding维度(本例中是8)。为了将我们的embedding层连接到Dense，并充分连接到输出层，我们需要先调用flatten()函数：

一旦用flatten()函数对embedding层进行了调整，就可以将它添加至模型并编译了：

第三部分：wide & deep

一旦我们成功定义了两个模型，将它们结合起来就很容易了。我们只需要创建一个层，将每个模型的输出连接起来，然后将它们合并到可以充分连接的Dense层中，将每个模型的输入和输出结合在一起，最后定义这一组合模型。显然，由于每个模型都在预测相同的事物(价格)，所以每个模型的输出或标签都是相同的。还要注意的是，由于我们的模型输出是一个数值，我们不需要做任何预处理，它早已以正确的形式显示出来了：

这样我们就可以开始进行训练和评估了。你可以尝试找到最适合数据集的训练周期和批处理大小：

# Training

combined_model.fit([description_bow_train, variety_train] + [train_embed], labels_train, epochs=10, batch_size=128)

# Evaluation

combined_model.evaluate([description_bow_test, variety_test] + [test_embed], labels_test, batch_size=128)

通过受过训练的模型得出预测

终于到了最激动人心的时刻，现在让我们看看基于数据的模型性能，这样的表现是前所未有的。我们可以为受过训练的模型调用predict()函数，将其传递我们的测试数据集：

然后我们将比较测试数据集的前15种葡萄酒的实际价格与预测价格：

模型是如何进行比较的？让我们看看测试集中的三个例子：

1.酒瓶里冒出浓郁的香草味，即使是在这个不佳葡萄酒酿造期，果香也毫不逊色。这样强烈的水果酸中，含有草本成分，水果、酸、药草和香草以相同的比例迅速作用，生成美味的酒。密封的瓶体，这款酒年份不长，需要过酒换瓶或继续贮存，以完美地出现在世人面前。

预测价格：46.233624 实际价格:  45.0

2.日常酒品，干且浓郁，浆果樱桃口味，组织细腻均匀。

预测价格：9.694958实际价格：10.0

3.时尚圆瓶装，醇和的Barolo葡萄酒(产自Monforte d’Alba)，喜欢浓稠多汁口感的人绝不会错过。薰衣草，甜胡椒，肉桂，白巧克力和香草混合的香气让人难忘。清爽的果酸和稳定的单宁使酸浆果的味道达到极致，口感独特。

预测价格：41.028854实际价格： 49.0

事实证明，葡萄酒的描述与价格之间存在某种联系。也许人类可能无法凭直觉进行推断，但ML模型可以。