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+1,506】进行回归预测(房价预测)

输出结果

Tensorboard可视化

设计思路

核心代码

输出结果

波士顿房价数据集前10行数据

boston.data： (506, 13)
[[6.3200e-03 1.8000e+01 2.3100e+00 0.0000e+00 5.3800e-01 6.5750e+006.5200e+01 4.0900e+00 1.0000e+00 2.9600e+02 1.5300e+01 3.9690e+024.9800e+00][2.7310e-02 0.0000e+00 7.0700e+00 0.0000e+00 4.6900e-01 6.4210e+007.8900e+01 4.9671e+00 2.0000e+00 2.4200e+02 1.7800e+01 3.9690e+029.1400e+00][2.7290e-02 0.0000e+00 7.0700e+00 0.0000e+00 4.6900e-01 7.1850e+006.1100e+01 4.9671e+00 2.0000e+00 2.4200e+02 1.7800e+01 3.9283e+024.0300e+00][3.2370e-02 0.0000e+00 2.1800e+00 0.0000e+00 4.5800e-01 6.9980e+004.5800e+01 6.0622e+00 3.0000e+00 2.2200e+02 1.8700e+01 3.9463e+022.9400e+00][6.9050e-02 0.0000e+00 2.1800e+00 0.0000e+00 4.5800e-01 7.1470e+005.4200e+01 6.0622e+00 3.0000e+00 2.2200e+02 1.8700e+01 3.9690e+025.3300e+00][2.9850e-02 0.0000e+00 2.1800e+00 0.0000e+00 4.5800e-01 6.4300e+005.8700e+01 6.0622e+00 3.0000e+00 2.2200e+02 1.8700e+01 3.9412e+025.2100e+00][8.8290e-02 1.2500e+01 7.8700e+00 0.0000e+00 5.2400e-01 6.0120e+006.6600e+01 5.5605e+00 5.0000e+00 3.1100e+02 1.5200e+01 3.9560e+021.2430e+01][1.4455e-01 1.2500e+01 7.8700e+00 0.0000e+00 5.2400e-01 6.1720e+009.6100e+01 5.9505e+00 5.0000e+00 3.1100e+02 1.5200e+01 3.9690e+021.9150e+01][2.1124e-01 1.2500e+01 7.8700e+00 0.0000e+00 5.2400e-01 5.6310e+001.0000e+02 6.0821e+00 5.0000e+00 3.1100e+02 1.5200e+01 3.8663e+022.9930e+01][1.7004e-01 1.2500e+01 7.8700e+00 0.0000e+00 5.2400e-01 6.0040e+008.5900e+01 6.5921e+00 5.0000e+00 3.1100e+02 1.5200e+01 3.8671e+021.7100e+01]]
boston.target: (506,)
[24.  21.6 34.7 33.4 36.2 28.7 22.9 27.1 16.5 18.9]

Tensorboard可视化

设计思路

核心代码

    def add_input_layer(self,):l_in_x = tf.reshape(self.xs, [-1, self.input_size], name='2_2D')  Ws_in = self._weight_variable([self.input_size, self.cell_size])bs_in = self._bias_variable([self.cell_size,])# l_in_y = (batch * n_steps, cell_size)with tf.name_scope('Wx_plus_b'):l_in_y = tf.matmul(l_in_x, Ws_in) + bs_inself.l_in_y = tf.reshape(l_in_y, [-1, self.n_steps, self.cell_size], name='2_3D')def add_cell(self):lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(self.cell_size, forget_bias=1.0, state_is_tuple=True)with tf.name_scope('initial_state'):self.cell_init_state = lstm_cell.zero_state(self.batch_size, dtype=tf.float32)self.cell_outputs, self.cell_final_state = tf.nn.dynamic_rnn(lstm_cell, self.l_in_y, initial_state=self.cell_init_state, time_major=False)def add_output_layer(self):# shape = (batch * steps, cell_size)l_out_x = tf.reshape(self.cell_outputs, [-1, self.cell_size], name='2_2D')Ws_out = self._weight_variable([self.cell_size, self.output_size])bs_out = self._bias_variable([self.output_size, ])# shape = (batch * steps, output_size)with tf.name_scope('Wx_plus_b'):self.pred = tf.matmul(l_out_x, Ws_out) + bs_out def compute_cost(self):losses = tf.contrib.legacy_seq2seq.sequence_loss_by_example([tf.reshape(self.pred, [-1], name='reshape_pred')],[tf.reshape(self.ys, [-1], name='reshape_target')],[tf.ones([self.batch_size * self.n_steps], dtype=tf.float32)],average_across_timesteps=True,softmax_loss_function=self.ms_error,name='losses')with tf.name_scope('average_cost'):self.cost = tf.div(tf.reduce_sum(losses, name='losses_sum'),self.batch_size,name='average_cost')tf.summary.scalar('cost', self.cost)

1、训练数据集的(递增式)索引批次段输出记录

训练数据集的(递增式)索引批次段： 0 300
训练数据集的(递增式)索引批次段： 10 310
训练数据集的(递增式)索引批次段： 20 320
训练数据集的(递增式)索引批次段： 30 330
训练数据集的(递增式)索引批次段： 40 340
训练数据集的(递增式)索引批次段： 50 350
训练数据集的(递增式)索引批次段： 60 360
训练数据集的(递增式)索引批次段： 70 370
训练数据集的(递增式)索引批次段： 80 380
训练数据集的(递增式)索引批次段： 90 390
训练数据集的(递增式)索引批次段： 100 400
训练数据集的(递增式)索引批次段： 110 410
训练数据集的(递增式)索引批次段： 120 420
训练数据集的(递增式)索引批次段： 130 430
训练数据集的(递增式)索引批次段： 140 440
训练数据集的(递增式)索引批次段： 150 450
训练数据集的(递增式)索引批次段： 160 460
训练数据集的(递增式)索引批次段： 170 470
训练数据集的(递增式)索引批次段： 180 480
训练数据集的(递增式)索引批次段： 190 490
训练数据集的(递增式)索引批次段： 200 500
0 cost:  6.6038
训练数据集的(递增式)索引批次段： 0 300
训练数据集的(递增式)索引批次段： 10 310
训练数据集的(递增式)索引批次段： 20 320
训练数据集的(递增式)索引批次段： 30 330
训练数据集的(递增式)索引批次段： 40 340
训练数据集的(递增式)索引批次段： 50 350
训练数据集的(递增式)索引批次段： 60 360
训练数据集的(递增式)索引批次段： 70 370
训练数据集的(递增式)索引批次段： 80 380
训练数据集的(递增式)索引批次段： 90 390
训练数据集的(递增式)索引批次段： 100 400
训练数据集的(递增式)索引批次段： 110 410
训练数据集的(递增式)索引批次段： 120 420
训练数据集的(递增式)索引批次段： 130 430
训练数据集的(递增式)索引批次段： 140 440
训练数据集的(递增式)索引批次段： 150 450
训练数据集的(递增式)索引批次段： 160 460
训练数据集的(递增式)索引批次段： 170 470
训练数据集的(递增式)索引批次段： 180 480
训练数据集的(递增式)索引批次段： 190 490
1 cost:  3.8826
……
2 cost:  2.7715
……
……
8 cost:  1.0885
……
……
……
55 cost:  0.1853
……
……
……
……
198 cost:  0.058
训练数据集的(递增式)索引批次段： 0 300
训练数据集的(递增式)索引批次段： 10 310
训练数据集的(递增式)索引批次段： 20 320
训练数据集的(递增式)索引批次段： 30 330
训练数据集的(递增式)索引批次段： 40 340
训练数据集的(递增式)索引批次段： 50 350
训练数据集的(递增式)索引批次段： 60 360
训练数据集的(递增式)索引批次段： 70 370
训练数据集的(递增式)索引批次段： 80 380
训练数据集的(递增式)索引批次段： 90 390
训练数据集的(递增式)索引批次段： 100 400
训练数据集的(递增式)索引批次段： 110 410
训练数据集的(递增式)索引批次段： 120 420
训练数据集的(递增式)索引批次段： 130 430
训练数据集的(递增式)索引批次段： 140 440
训练数据集的(递增式)索引批次段： 150 450
训练数据集的(递增式)索引批次段： 160 460
训练数据集的(递增式)索引批次段： 170 470
训练数据集的(递增式)索引批次段： 180 480
训练数据集的(递增式)索引批次段： 190 490
199 cost:  0.0424

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)相关推荐

ML之xgboost：利用xgboost算法对Boston(波士顿房价)数据集【特征列分段→独热编码】进行回归预测(房价预测)+预测新数据得分
ML之xgboost:利用xgboost算法对Boston(波士顿房价)数据集[特征列分段→独热编码]进行回归预测(房价预测)+预测新数据得分导读对Boston(波士顿房价)数据集进行特征工程,分 ...
ML之KMeans：利用KMeans算法对Boston房价数据集(两特征+归一化)进行二聚类分析
ML之KMeans:利用KMeans算法对Boston房价数据集(两特征+归一化)进行二聚类分析目录利用KMeans算法对Boston房价数据集(两特征+归一化)进行二聚类分析设计思路输出结果 ...
ML之LiR：利用LiR线性回归算法(自定义目标函数MSE和优化器GD)对Boston房价数据集(两特征+归一化)进行回归预测
ML之LiR:利用LiR线性回归算法(自定义目标函数MSE和优化器GD)对Boston房价数据集(两特征+归一化)进行回归预测目录利用LiR线性回归算法(自定义目标函数MSE和优化器GD)对Bos ...
ML之回归预测：利用13种机器学习算法对Boston(波士顿房价)数据集【13+1,506】进行回归预测(房价预测)+预测新数据得分
ML之回归预测:利用13种机器学习算法对Boston(波士顿房价)数据集[13+1,506]进行回归预测(房价预测)+预测新数据得分导读本文章基于前边的一篇文章,对13种机器学习的回归模型性能比较 ...
ML之回归预测：利用13种机器学习算法对Boston(波士顿房价)数据集【13+1,506】进行回归预测(房价预测)来比较各模型性能
ML之回归预测:利用13种机器学习算法对Boston(波士顿房价)数据集[13+1,506]进行回归预测(房价预测)来比较各模型性能导读通过利用13种机器学习算法,分别是LiR.kNN.SVR.D ...
CV之NS之VGG16：基于TF Slim库利用VGG16算法的预训练模型实现七种不同快速图像风格迁移设计(cubist/denoised_starry/mosaic/scream/wave)案例
CV之NS之VGG16:基于TF Slim库利用VGG16算法的预训练模型实现七种不同快速图像风格迁移设计(cubist/denoised_starry/feathers/mosaic/scream/ ...
ML之回归预测之Lasso：利用Lasso算法对红酒品质wine数据集实现红酒口感评分预测(实数值评分预测)
ML之回归预测之Lasso:利用Lasso算法对红酒品质wine数据集实现红酒口感评分预测(实数值评分预测) 目录输出结果设计思路核心代码输出结果设计思路核心代码 t=3if t==1:X ...
ML之prophet：利用prophet算法对维基百科页面的日志每日页面浏览量实现回归预测(时间序列的趋势/周季节性趋势/年季节性趋势)案例
ML之prophet:利用prophet算法对维基百科页面的日志每日页面浏览量实现回归预测(时间序列的趋势/周季节性趋势/年季节性趋势)案例目录利用prophet算法对维基百科页面的日志每日页面浏 ...
python数据预测模型算法_Python AI极简入门：4、使用回归模型预测房价
一.回归预测在前面的文章中我们介绍了机器学习主要解决分类.回归和聚类三大问题.今天我们来具体了解一下使用机器学习算法进行回归预测. 回归预测主要用于预测与对象关联的连续值属性,得到数值型的预测数据. ...

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)

输出结果

Tensorboard可视化

设计思路

核心代码

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)相关推荐

最新文章

热门文章