1. 下载和缓存数据集

这里我们实现几个函数来方便下载数据。首先，我们建立字典DATA_HUB，它可以将数据集名称的字符串映射到数据集相关的二元组上，这个二元组包含数据集的url和验证文件完整性的sha-1密钥。所有类似的数据集都托管在地址为DATA_URL的站点上。

import hashlib
import os
import tarfile
import zipfile
import requests#@save
DATA_HUB = dict()
DATA_URL = 'http://d2l-data.s3-accelerate.amazonaws.com/'

下面的download函数用来下载数据集，将数据集缓存在本地目录（默认情况下为…/data）中，并返回下载文件的名称。如果缓存目录中已经存在此数据集文件，并且其sha-1与存储在DATA_HUB中的相匹配，我们将使用缓存的文件，以避免重复的下载。

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:breaksha1.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

我们还需实现两个实用函数：一个将下载并解压缩一个zip或tar文件，另一个是将本书中使用的所有数据集从DATA_HUB下载到缓存目录中。

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

2.访问和读取数据集

注意，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。

开始之前，我们将使用pandas读入并处理数据。因此，在继续操作之前，我们需要确保已安装pandas。

# 如果没有安装pandas，请取消下一行的注释
# !pip install pandas%matplotlib inline
import numpy as np
import pandas as pd
import torch
from torch import nn
from d2l import torch as d2l

为方便起见，我们可以使用上面定义的脚本下载并缓存Kaggle房屋数据集。

DATA_HUB['kaggle_house_train'] = (  #@saveDATA_URL + 'kaggle_house_pred_train.csv','585e9cc93e70b39160e7921475f9bcd7d31219ce')DATA_HUB['kaggle_house_test'] = (  #@saveDATA_URL + 'kaggle_house_pred_test.csv','fa19780a7b011d9b009e8bff8e99922a8ee2eb90')

我们使用pandas分别加载包含训练数据和测试数据的两个CSV文件。

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

训练数据集包括1460个样本，每个样本80个特征和1个标签，而测试数据集包含1459个样本，每个样本80个特征。

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

让我们看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]])

我们可以看到，在每个样本中，第一个特征是ID，这有助于模型识别每个训练样本。虽然这很方便，但它不携带任何用于预测的信息。因此，在将数据提供给模型之前，我们将其从数据集中删除。

# 去掉train_data的第一列（id）和最后一列（标号）和test_data的第一列（id）
# 获取到所有特征
# 一行是一个样本，每一列是特征值
all_features = pd.concat((train_data.iloc[:, 1:-1], test_data.iloc[:, 1:]))

concat函数

3. 数据预处理

如上所述，我们有各种各样的数据类型。在开始建模之前，我们需要对数据进行预处理。

3.1 处置数值特征以及na

首先，我们将所有缺失的值替换为相应特征的平均值。然后，为了将所有特征放在一个共同的尺度上，我们通过将特征重新缩放到零均值和单位方差来标准化数据：

# 如果all_features.dtypes != 'object'，如果不是object，那么就是数值
# pandas中的object是python中的str
# 就得到数值的index
numeric_features = all_features.dtypes[all_features.dtypes != 'object'].index# 对数值特征apply操作:（一列中每个数据 - 这一列数据的均值）/ 这一列数据的标准差
# 我们之前使用了concat把训练数据和测试数据纵向拼接了，所以这里对这两个数据集都进行了处理
# 但是在实际应用中，归一化（normalization）应该统一用 train set的均值和方差
# 实际中应该把train set的均值和方差用到测试集上
# 归一化不应该用训练集和测试集的期望和方差，这里只不过是把官方的训练和测试集统一变成了训练集
all_features[numeric_features] = all_features[numeric_features].apply(lambda x: (x-x.mean()) / (x.std())) # 均值方差归一化 ：把所有数据归一到均值为0方差为1 的分布中# 把not a number改成0，因为均值为0，所以这里把na变成0也就是变成了均值
all_features[numeric_features] = all_features[numeric_features].fillna(0)

2. 处理离散值。

这包括诸如“MSZoning”之类的特征。我们用独热编码替换它们，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”。 我们将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。

all_features = pd.get_dummies(all_features,dummy_na = True)
all_features.shape

从运行结果可以看出特征变多了，从之前79变成331，原因是把离散值做成了one-hot encoding：

回顾之前的数据处理：

如果处理字符串该怎么办呢？
答：使用one-hot encoding，假设一列中有5个不同的值，就创建5个feature，也就是把一列等价于变成5列，然后对应的列置为1，其余的四列为0。具体，可以看这篇文章：pandas.get_dummies 的用法

4. 转换为张量格式

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] # 获得训练样本的数量# 通过切片操作，把训练特征选出来
train_features = torch.tensor(all_features[:n_train].values,dtype = torch.float32)
# 把测试特征选出来
test_features = torch.tensor(all_features[n_train:].values,dtype = torch.float32)
# 把标签转成一个列向量
train_labels = torch.tensor(train_data.SalePrice.values.reshape(-1,1),dtype = torch.float32)

5. 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。

loss = nn.MSELoss() # 平方损失# 对于二维张量，shape[0]代表行数，shape[1]代表列数
in_features = train_features.shape[1] # 获取到了训练特征的列数（311）def get_net():# 单层的线性回归，w矩阵有311行，1列net = nn.Sequential(nn.Linear(in_features,1)) return net

ps：一般y取log以后会更接近正态分布，用回归性质会比较好

def log_rmse(net,features,labels):# clamp的作用是限幅。将input的值限制在[1, inf]之间，并返回结果# 为了在取对数时进一步稳定该值，将小于1的值设置为1# net(features)就是令输入经过net得到的输出，clamp对输出进行了限幅clipped_preds = torch.clamp(net(features),1,float('inf'))# 计算相对误差：# 将预测的输出和真实label 做了log计算后# 再丢到MSE中，再开根号rmse = torch.sqrt(loss(torch.log(clipped_preds),torch.log(labels)))# .item()：将Tensor变量转换为python标量（int float等）return rmse.item()

PyTorch：torch.clamp()用法详解

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。

通过下面的train函数，是训练参数模型w和b。

def train(net,train_features,train_labels,test_features,test_labels,num_epochs,learning_rate,weight_decay,batch_size):train_ls,test_ls = [],[]# 把真实数据features和labels做成tuple，传入到函数train_iter = d2l.load_array((features,labels),batch_size)optimizer = torch.optim.Adam(net.parameters(),lr = learning_rate,weight_decay = weight_decay)for epoch in range(num_epochs):# 一次for循环，就是从训练数据迭代器中取batch_size数据来学习参数w和bfor X,y in train_iter: optimizer.zero_grad()l = loss(net(X),y)l.backward()optimizer.step()# 学习到了w和b之后，再把训练数据放入net中，计算预测数据以及真实标签的相对误差train_ls.append(log_rmse(net,train_features,train_labels))if test_labels is not None:# 学习到了w和b之后，再把测试数据放入net中，计算预测数据以及真实标签的相对误差test_ls.append(log_rmse(net,test_features,test_labels))return train_ls, test_ls

6. K折交叉验证（选择超参数）

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，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 # 如果k>1,则程序向下执行，否则会抛出AssertionError错误# 每一折的样本数量fold_size = X.shape[0] // kX_train,y_train = None,Nonefor j in range(k):# slice()中输入2个参数,分别为起始位置和终止位置，左闭右开# 第一轮j=0，返回数组[0,..,fold_size-1]# 第二轮j=1，返回[fold_size,fold_size*2-1],以此类推idx = slice(j*fold_size,(j+1)*fold_size) # X[idx,:] 把对应的样本取出来，y[idx]把对应的标签取出来X_part,y_part = X[idx,:],y[idx]# i表示当前第i折if j == i: X_valid,y_valid = X_part,y_part# 如果X_train是None，就表示之前还没存数据，就存下来作为训练集elif X_train is None: X_train,y_train = X_part,y_part# 之前X_train就存了数据的话，就concat当前这一partelse:# 将两个张量（tensor）按指定维度拼接在一起X_train = torch.cat([X_train,X_part],dim=0)y_train = torch.cat([y_train,y_part],dim=0)return X_train,y_train,X_valid,y_valid

当我们在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。

def k_fold(k,X_train,y_train,num_epochs,learning_rate,weight_decay,batch_size):train_l_sum,valid_l_sum = 0,0 # 训练损失和，以及，验证损失和for i in range(k):# 第i块作为验证数据集data = get_k_fold_data(k,i,X_train,y_train)net = get_net # net是单层的线性回归train_ls,valid_ls = train(net,*data,num_epochs,learning_rate,weight_decay,batch_size)# train_ls[-1]返回每一折的最后一次epoch的损失值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

7. 模型选择

在本例中，我们选择了一组未调优的超参数，需要进行改进模型。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}')

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，我们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。

调节超参数，使平均验证更小：

8. 提交Kaggle预测

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Kaggletest_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)

22.实战：Kaggle房价预测相关推荐

0907实战KAGGLE房价预测数据
数据集: 本文主要对KAGGLE房价预测数据进行预测,并提供模型的设计以及超参数的选择. 该数据集共有1460个数据样本,80个样本特征数据集介绍可参照: House Prices - Adv ...
Pytorch kaggle 房价预测实战
Pytorch kaggle 房价预测实战 0. 环境介绍环境使用 Kaggle 里免费建立的 Notebook 教程使用李沐老师的动手学深度学习网站和视频讲解小技巧:当遇到函数看不懂的时候 ...
实战Kaggle比赛----预测房价(多层感知机)
文章目录实战Kaggle比赛----预测房价下载和缓存数据集 Kaggle简介访问和读取数据集数据预处理标准正态化.缺失值填充.离散值one-hot编码小栗子帮助理解训练 KKK折交叉验 ...
梯度消失和梯度爆炸_知识干货-动手学深度学习-05 梯度消失和梯度爆炸以及Kaggle房价预测...
梯度消失和梯度爆炸考虑到环境因素的其他问题 Kaggle房价预测梯度消失和梯度爆炸深度模型有关数值稳定性的典型问题是消失(vanishing)和爆炸(explosion). 当神经网络的层数较多 ...
kaggle房价预测问题
参考:https://blog.csdn.net/m0_37870649/article/details/80979783 sklean的线性模型完成kaggle房价预测问题 https://www. ...
（pytorch-深度学习系列）简单实现kaggle房价预测-学习笔记
实现kaggle房价预测导入所需模块: %matplotlib inline import torch import torch.nn as nn import numpy as np import ...
Transformer 实现 Kaggle 房价预测竞赛
Kaggle 房价预测竞赛是典型的机器学习中的回归问题,需要在训练集上对于房间的 N 个特征和房价之间的关系进行拟合,在测试集上,模型即可根据房间特征对房价作出预测.考虑到需要拟合多种特征之间的关系, ...
Python机器学习/数据挖掘项目实战波士顿房价预测回归分析
Python机器学习/数据挖掘项目实战波士顿房价预测回归分析此数据源于美国某经济学杂志上,分析研究波士顿房价( Boston HousePrice)的数据集. 在这个项目中,你将利用马萨诸塞州波 ...
kaggle房价预测-回归模型
目录 1 项目背景 2 初始数据分析目标值分析特征与目标值相关性变量特征相关性 3 数据预处理目标变量正态分布化异常值处理缺失值处理转换特征保存训练集和测试集 4 模型预测岭回归 l ...
kaggle房价预测特征意思_R语言实战：复杂数据处理和分析之Kaggle房价预测
1)明确分析的目的本次数据分析的数据来源于kaggle上有关于房价预测,数据来源:House Prices: Advanced Regression Techniques.此次的分析目的已经很明确了 ...

22.实战：Kaggle房价预测