LSTM进行房价预测

提示：以下是本篇文章正文内容，下面案例可供参考

1.引入库

import pandas as pd
import numpy as np
import tensorflow as tffrom sklearn.preprocessing import MinMaxScaler, LabelEncoder
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropoutfrom matplotlib import pyplot as plt
%matplotlib inline

2.读入数据

raw_data = pd.read_csv("C:/Users/ROG/Desktop/report1/dataset/train.csv")
raw_data.drop('Id', axis=1, inplace=True)
raw_data.info()

3.连续数值归一化

numeric_features =raw_data.dtypes[raw_data.dtypes != 'object' ].index
numeric_features=numeric_features[:-1]#不对房价处理
raw_data[numeric_features] = raw_data[numeric_features].apply(lambda x: (x - x.mean())/(x.std()))
raw_data.info()

4.用均值0填充空缺

raw_data = raw_data.fillna(0)
raw_data.info()

5.删除全0列

raw_data = raw_data.loc[:, (raw_data != 0).any(axis=0)]
raw_data.info()

6.独热编码

raw_data = pd.get_dummies(raw_data)
raw_data.info()

7.房价列置后

#独热编码后离散值全跑到最后去了，抢了房价的位置
x=raw_data['SalePrice']
raw_data.drop('SalePrice', axis=1, inplace=True)
raw_data['SalePrice']=x

8.划分数据集

train=raw_data[:1314]
test = raw_data[1314:]
mms = MinMaxScaler(feature_range=(0, 1))
data_set = mms.fit_transform(raw_data)
ratio = 0.8
train_size = int(len(data_set) * ratio)
test_size = len(data_set) - train_size
train, test = data_set[0:train_size,:], data_set[train_size:len(data_set),:]

9.创建lstm专业数据集

def create_dataset(data):window = 1label_index = 347x, y = [], []for i in range(len(data) - window):x.append(data[i:(i + window), :])y.append(data[i + window, label_index])return np.array(x), np.array(y)
train_x, train_y = create_dataset(train)
test_x, test_y = create_dataset(test)

10.创建模型

def create_model():model = Sequential()model.add(LSTM(50, input_shape=(train_x.shape[1], train_x.shape[2])))model.add(Dense(1))model.compile(loss='mae', optimizer='adam')model.summary()return modelmodel = create_model()

11.训练

history = model.fit(train_x, train_y, epochs=200, batch_size=64, validation_data=(test_x, test_y), verbose=1, shuffle=False)

12.plot

plt.plot(history.history['loss'], label='train')
plt.plot(history.history['val_loss'], label='test')
plt.legend()
plt.show()

13.approximation between train and test

train_x, train_y = create_dataset(train)
test_x, test_y = create_dataset(test)
predict = model.predict(test_x)
plt.plot(predict, label='predict')
plt.plot(test_y, label='ground true')
plt.legend()
plt.show()

lcy好好看看

LSTM进行房价预测相关推荐

TF之LSTM：利用LSTM算法对Boston(波士顿房价)数据集【13+1,506】进行回归预测(房价预测)
TF之LSTM:利用LSTM算法对Boston(波士顿房价)数据集[13+1,506]进行回归预测(房价预测) 相关文章 DL之LSTM:利用LSTM算法对Boston(波士顿房价)数据集[13+1, ...
大数据毕业设计 LSTM时间序列预测算法 - 股票预测天气预测房价预测
文章目录 0 简介 1 基于 Keras 用 LSTM 网络做时间序列预测 2 长短记忆网络 3 LSTM 网络结构和原理 3.1 LSTM核心思想 3.2 遗忘门 3.3 输入门 3.4 输出门 4 ...
毕业设计 LSTM的预测算法 - 股票预测天气预测房价预测
文章目录 0 简介 1 基于 Keras 用 LSTM 网络做时间序列预测 2 长短记忆网络 3 LSTM 网络结构和原理 3.1 LSTM核心思想 3.2 遗忘门 3.3 输入门 3.4 输出门 4 ...
LSTM预测算法（股票预测天气预测房价预测）
文章目录 0 简介 1 基于 Keras 用 LSTM 网络做时间序列预测 2 长短记忆网络 3 LSTM 网络结构和原理 3.1 LSTM核心思想 3.2 遗忘门 3.3 输入门 3.4 输出门 4 ...
【ML】基于机器学习的房价预测研究（系列7：双向LSTM模型）
写在前面: 首先感谢兄弟们的订阅,让我有创作的动力,在创作过程我会尽最大能力,保证作品的质量,如果有问题,可以私信我,让我们携手共进,共创辉煌. 本次实战的项目是:基于机器学习的房价预测研究(附完整代 ...
【毕业设计】LSTM预测算法（股票预测天气预测房价预测）
文章目录 0 简介 1 基于 Keras 用 LSTM 网络做时间序列预测 2 长短记忆网络 3 LSTM 网络结构和原理 3.1 LSTM核心思想 3.2 遗忘门 3.3 输入门 3.4 输出门 4 ...
sklearn中lstm_分别用sklearn和tensorflow做房价预测
原标题:分别用sklearn和tensorflow做房价预测本篇是后面用tensorflow做回归时的一个参照,忍不住要说的是sklearn真是简单好用,要不是他没有卷积cnn等时髦模型,真是不想用 ...
paddlepaddle学习—波士顿房价预测
1. 机器学习 1.1 paddle使用场景 1.2 什么是机器学习专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构,使之不断改善自身的性能. 训练:从一定数 ...
1.2 波士顿房价预测(飞桨版)
文章目录一.框架加载二.数据处理三.模型设计四.训练配置五.训练过程六.保存并测试模型 6.1 保存模型 6.2 测试模型一.框架加载在数据处理之前,需要先加载飞桨框架的相关类库. # ...

LSTM进行房价预测

1.引入库

2.读入数据

3.连续数值归一化

4.用均值0填充空缺

5.删除全0列

6.独热编码

7.房价列置后

8.划分数据集

9.创建lstm专业数据集

10.创建模型

11.训练

12.plot

13.approximation between train and test

LSTM进行房价预测相关推荐

最新文章

热门文章