详解pytorch实战Kaggle比赛：房价预测

教程名称	教程地址
机器学习/深度学习	【李宏毅】机器学习/深度学习国语教程（双语字幕）
生成对抗网络	【李宏毅】生成对抗网络国语教程（双语字幕）

前言

这是pytorch学习的小实践，这个比赛的数据用了79个解释性变量（几乎）描述了爱荷华州埃姆斯市住宅的方方面面，从而预测房价最终价格。

一、获取和读取数据集

1_导入

# 不导入会产生的问题参考：https://blog.csdn.net/qq_43374681/article/details/115469240
import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"
# Matplotlib是Python的一个绘图库，是Python中最常用的可视化工具之一
%matplotlib inline
import torch
# torch.nn是为神经网络设计的模块化接口。构建于autograd之上，可以用来定义和运行神经网络。
import torch.nn as nn
# NumPy是Python语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算，此外也针对#数组运算提供大量的数学函数库。
# Pandas是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳##入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。Pandas提#供了大量能使我们快速便捷地处理数据的函数和方法。
import numpy as np
import pandas as pd```
# 可以添加自己写好的模块路径
import sys
sys.path.append("..")
# dcj_pytorch包里有经常会用到的函数模块
import dcj_pytorch as d21

2_（32 bit 浮点CPU：torch.FloatTensor，GPU：torch.cuda.FloatTensor）

# 输出torch版本号
print(torch.__version__)
# 设置pytorch中默认的浮点类型
torch.set_default_tensor_type(torch.FloatTensor)

3_读取数据

# 使用pandas读取两个文件
train_data = pd.read_csv('../dohand/data/kaggle_house/train.csv')
test_data = pd.read_csv('../dohand/data/kaggle_house/test.csv')

4_输出训练与测试数据集形状

# 训练数据集包括1460个样本、80个特征和1个标签
# print(train_data.shape)
# 测试数据集包括1459个样本和80个特征，需要将测试数据集中每个样本的标签预测出来
# print(test_data.shape)

5_前4个样本的前4个特征、后两个特征和最后一个列的标签（saleprice）

# 输出0到4行的第0,1，2,3，-3，-2，-1列
# print(train_data.iloc[0:4, [0, 1, 2, 3, -3, -2, -1]])

6_第一个特征是ID，他能帮助模型记住每个训练样本，但难以推广到测试样本，所以我们不用他来训练，我们将所有的训练数据和测试数据的79个特征按样本连结

# [:,1:-1]所有行的第一列到-2列，[:,1:]
all_features = pd.concat((train_data.iloc[:, 1:-1], test_data.iloc[:, 1:]))

二、数据集预处理

1_对连续数值的特征做标准化（standardization）：设该特征在整个数据集上的均值为μ，标准差为σ。那么，我们可以将该特征的每个值先减去μ再除以σ得到标准化后的每个特征值。对于缺失的特征值，我们将其替换成该特征的均值。

# object是str类或数字混合类型（mixed），将特征为数字的列单独拿出。并保存列名到numeric
numeric_features = all_features.dtypes[all_features.dtypes != 'object'].index  # 排除object类型的特征
# 对每种数字型的特征(每一的数字)进行标准化
all_features[numeric_features] =
all_features[numeric_features].apply(lambda x: (x - x.mean()) / (x.std()))

print的numeric_features:

2_ 标准化后，每个数值特征的均值变为0，所以可以直接用0代替缺失值,即缺失值NA和无意义值NAN用0代替
all_features[numeric_features] = all_features[numeric_features].fillna(0)

3_接下来将离散数值转换为指示特征，假设特征MSZoning里面有两个不同的离散值RL和RM，那么这一步转换将去掉MSZoning特征，并新加两个特征MSZoning_RL和MSZoning_RM，其值为0或1。如果一个样本原来在MSZoning里的值为RL，那么有MSZoning_RL=1且MSZoning_RM=0。

# dummpy_na=True将缺失值也当做合法的特征值并为其创建指示特征
# get_dummies即上述将离散值转换为指示特征
all_features = pd.get_dummies(all_features, dummy_na=True)
#print(all_features.shape)

4_通过value属性得到numpy 格式的数据，并转成tensor方便后面的训练

# 取train_data的行数，即训练集个数
n_train = train_data.shape[0]
# 训练集特征
train_features = torch.tensor(all_features[:n_train].values, dtype=torch.float)
# 测试集特征
test_features = torch.tensor(all_features[n_train:].values, dtype=torch.float)
# 训练标签 将shape=(1460)转换为shape=(1460,1)
# view(-1,1),-1为不确定数，只能确定后面1列，前面计算机自己会生成相应的数，例如5*6=x*1，x相当于-1
train_labels = torch.tensor(train_data.SalePrice.values, dtype=torch.float).view(-1, 1)

三、训练模型

1_使用一个基本的线性回归模型和平方损失函数来训练模型
平方损失函数
nn.liner: https://pytorch.org/docs/master/generated/torch.nn.Linear.html?highlight=nn%20linear#torch.nn.Linear
MSELoss:https://pytorch.org/docs/master/generated/torch.nn.MSELoss.html

# 声明平方损失函数
loss = torch.nn.MSELoss()
def get_net(feature_num):# 实例化nnnet = nn.Linear(feature_num, 1)for param in net.parameters():nn.init.normal_(param, mean=0, std=0.01)return net

2_对数均方根误差的实现如下（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）

def log_rmse(net, features, labels):with torch.no_grad():# 将小于1的值设成1，使得取对数时数值更稳定clipped_preds = torch.max(net(features), torch.tensor(1.0))rmse = torch.sqrt(loss(clipped_preds.log(), labels.log()))return rmse.item()

3_下面的训练函数和本章的前几节不同的是使用adma优化算法，相对与之前使用了小批量随机梯度下降，它对学习率相对不那么敏感

def train(net, train_features, train_labels, test_features, test_labels,num_epochs, learning_rate, weight_decay, batch_size):# 训练损失，测试损失train_ls, test_ls = [], []# 加载数据dataset = torch.utils.data.TensorDataset(train_features, train_labels)train_iter = torch.utils.data.DataLoader(dataset, batch_size, shuffle=True)# 这里使用了Adam优化算法optimizer = torch.optim.Adam(params=net.parameters(), lr=learning_rate, weight_decay=weight_decay)net = net.float()# 进行迭代for epoch in range(num_epochs):# 取出小批次的特征和标签，X：特征，y:标签for X, y in train_iter:l = loss(net(X.float()), y.float())# 梯度清零optimizer.zero_grad()# 反向传播计算得到每个参数的梯度值l.backward()# 通过梯度下降执行一步参数更新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

四、K折交叉验证

简单解释，将训练集分为k份，每次将其中一份作为验证集，其余做训练集。
1_它返回第i折交叉验证时所需要的训练和验证数据。

def get_k_fold_data(k, i, X, y):# 返回第i折交叉验证时所需要的训练和验证数据# k需要大于1,assert用于判断一个表达式，在表达式条件为false的时候出发异常。assert k > 1# 划分成k个集合，fold_size每个集合的个数fold_size = X.shape[0] // k# 初始化X_train, y_trainX_train, y_train = None, None# 循环访问k个集合for j in range(k):# slice(start, stop[, step])；start:开始位置，stop:结束位置，step：间距# 则idx等于就是第j个集合切片对象的集合idx = slice(j * fold_size, (j + 1) * fold_size)# 将第j个集合的特征，和第j个集合的标签分别放在X_part, y_partX_part, y_part = X[idx, :], y[idx]# 如果当前的集合是第i折交叉验证，就将当前的集合当作验证模型# （j=i）就是当前所取部分刚好是要当验证集的部分if j == i:# 将当前所取集合放进验证集X_valid, y_valid = X_part, y_part# 如果j!=i且X_train是空的则直接将此部分放进训练集elif X_train is None:X_train, y_train = X_part, y_part# 如果j!=i且访问到其余除了验证集（j=i）其余集合的子集，就使用concat连接已经放进训练集的集合else:X_train = torch.cat((X_train, X_part), dim=0)y_train = torch.cat((y_train, y_part), dim=0)# 依次返回训练模型和第i个验证模型return X_train, y_train, X_valid, y_valid

2_在K折交叉验证中我们训练K次并返回训练和验证的平均误差。

def k_fold(k, X_train, y_train, num_epochs,learning_rate, weight_decay, batch_size):# 初始化训练集损和验证集的损失和train_l_sum, valid_l_sum = 0, 0# 依次访问所划分集合for i in range(k):# 获得训练模型和第i个验证模型data = get_k_fold_data(k, i, X_train, y_train)# 获得net实例net = get_net(X_train.shape[1])# 分别计算出训练集与验证集损失# *data可以分别读取数据，在这里等于是得到了get_k_fold_data)函数的return的四个表，直接写data会导致缺位置参数。train_ls, valid_ls = train(net, *data, num_epochs, learning_rate,weight_decay, batch_size)#计算训练集损失之和                     train_l_sum += train_ls[-1]#计算验证集损失之和valid_l_sum += valid_ls[-1]# 画图if i == 0:# d21:自己封装的包，包里是常用的函数模块d21.semilogy(range(1, num_epochs + 1), train_ls, 'epochs', 'rmse',range(1, num_epochs + 1), valid_ls,['train', 'valid'])print('fold %d, train rmse %f, valid rmse %f' % (i, train_ls[-1], valid_ls[-1]))return train_l_sum / k, valid_l_sum / k

五、模型选择

我们使用一组未经调优的超参数并计算交叉验证误差，可以改动这些超参数来尽可能减小平均测试误差。

k, num_epochs, lr, weight_decay, batch_size = 6, 100, 6, 0, 64
train_l, valid_l = k_fold(k, train_features, train_labels, num_epochs, lr, weight_decay, batch_size)
print('%d-fold validation: avg train rmse %f, avg valid rmse %f' % (k, train_l, valid_l))

六、预测并正在kaggle提交结果

1_下面定义的预测函数。在预测之前，我们会使用完整的训练数据集来重新训练模型，转换预测结果存成提交所需要的格式。

def train_and_pred(train_features, test_features, train_labels, test_data,num_epochs, lr, weight_decay, batch_size):# 获得net实例net = get_net(train_features.shape[1])# 返回训练集损失# 单下划线 _ 单个独立下划线是用作一个名字，来表示某个变量是临时的或无关紧要的。train_ls, _ = train(net, train_features, train_labels, None, None,num_epochs, lr, weight_decay, batch_size)# 作图d2l.semilogy(range(1, num_epochs + 1), train_ls, 'epochs', 'rmse')print('train rmse %f' % train_ls[-1])# 计算预测标签# detach:返回一个新的tensor,从当前图形分离（官方文档解释）preds = net(test_features).detach().numpy()# SalePrice标签列test_data['SalePrice'] = pd.Series(preds.reshape(1, -1)[0])# 将测试集的Id和预测结果拼接在一起，axis沿水平方向拼接，与上面默认纵向拼接不同。submission = pd.concat([test_data['Id'], test_data['SalePrice']], axis=1)# 转成可提交的csv格式submission.to_csv('./submission.csv', index=False)

2_设计好模型并调好超参数之后，接下来就是对测试数据集上的房屋样本做价格预测。如果我们得到与交叉验证时差不多的训练误差，那么这个结果很可能是理想的，可以在Kaggle上提交结果

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

可提交文件：

3_上述代码执行完之后会生成一个submission.csv文件，这个文件是符合Kaggle比赛要求的提交格式。

注:学习记录，仅供参考，如有错误，可联系交流。
所需数据和源码均可关注微信公众号：Time木
回复：房价预测

超详解pytorch实战Kaggle比赛：房价预测相关推荐

pytorch学习笔记（十四）：实战Kaggle比赛——房价预测
文章目录 1. Kaggle比赛 2. 获取和读取数据集 3. 预处理数据 4. 训练模型 5. KKK折交叉验证 6. 模型选择 7. 预测并在Kaggle提交结果 1. Kaggle比赛 Kagg ...
（！详解 Pytorch实战：①）kaggle猫狗数据集二分类：加载（集成/自定义）数据集
这系列的文章是我对Pytorch入门之后的一个总结,特别是对数据集生成加载这一块加强学习另外,这里有一些比较常用的数据集,大家可以进行下载: 需要注意的是,本篇文章使用的PyTorch的版本是v0. ...
04.10. 实战Kaggle比赛：预测房价
4.10. 实战Kaggle比赛:预测房价详细介绍数据预处理.模型设计和超参数选择. 通过亲身实践,你将获得一手经验,这些经验将有益数据科学家的职业成长. import hashlib import ...
实战Kaggle比赛：预测房价
文章目录实战Kaggle比赛:预测房价 1 - 下载和缓存数据集 2 - 访问和读取数据集 3 - 数据预处理 4 - 训练 5 - K折交叉验证 6 - 模型选择 7 - 提交你的Kaggle预测 ...
《动手深度学习》4.10. 实战Kaggle比赛：预测房价
4.10. 实战Kaggle比赛:预测房价本节内容预览数据下载和缓存数据集访问和读取数据集使用pandas读入并处理数据数据预处理处理缺失值&对数值类数据标准化处理离散值-on ...
深度学习+pytorch实战Kaggle比赛（一）——房价预测
参考书籍<动手学深度学习(pytorch版),参考网址为: https://zh-v2.d2l.ai/chapter_multilayer-perceptrons/kaggle-house-pr ...
kaggle比赛——房价预测
Kaggle比赛的网址是https://www.kaggle.com/c/house-prices-advanced-regression-techniques,需要进行一定的操作才能进去. 根据比赛 ...
第一次实战Kaggle比赛：预测房价
整理自<动手学深度学习>,有一些补充一. 用到的库函数 1.1 pd.concat() 用于连接pandas数据表.本文中的用处是,连接测试集和数据集,做k交叉数据集. pd.conca ...
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 ...

超详解pytorch实战Kaggle比赛：房价预测

目录

前言