多远线性回归代码-波士顿房价问题

对于波士顿房间这种多元线性回归问题，完成了一版代码。
在网上搜索了很多波士顿房价数据，发现免费下载的多是data格式，txt格式，方便大家敲码，我转成了excel格式并且上传到csdn。代码随便拿，整理数据不易。发到csdn给大家做练习用，我也顺便攒点积分。希望大家理解。
https://download.csdn.net/download/weixin_40983190/11832951
下面这段代码是完整的可运行代码，注释应该是相当清楚了。另外有几点需要特别说明的
1、数据预处理部分由于下载的房价中位数中有部分数据显示为空，采用平均房价填补了这部分空数据
2、损失韩式还是用来均方差，通过训练发现40步左右就可以下降到29左右，而且后续改善不明显，我自己的机器比较渣，大家可以多试试其他超参数
3、不同于12个因素影响版本的波士顿房价数据，本例使用的是13个因素
4、本例还是用单例来做的，可以用批量来修改，但是对这样的样本规模，意义不大
5、项目添加了tensorboard图，默认生成的数据文件放在D:\log下

#波士顿房价问题是标准的多元线性回归问题
#波士顿房价数据整理好后放在本地
import os
import pandas as pd
import numpy as np
import tensorflow as tf
from sklearn import preprocessing#读取boston房价数据，我保存在当前目录下的data文件夹下
data_file_path = "data/boston_price.xlsx"#使用pandas来处理数据
df_data = pd.read_excel(data_file_path)
'''
波士顿房价表头说明，供13个特征参数和一个输出，且没有空值
CRIM：城镇人均犯罪率
ZN：住宅用地所占比例，25000英尺
INDUS：城镇中非商业用地的所占比例
CHAS：查尔斯和虚拟变量，用于恢复分析
NOX：环保指标
RM：每栋住宅的房间数
AGE：1940年以前建成的自主单位的比例
DIS：距离五个波士顿就业中心的加权距离
RAD：距离高速公路的遍历指数
TAX：每一万美元的不动产税率
PTRATIO：城镇中教师学生比率
B：城镇中黑人比率
LSTAT：地区有多少百分比的房东属于是低收入阶层
MEDV：自住房屋房价的中位数
'''#定义预处理函数
def prepare_date(df_data):#将数据表中的空值使用平均值填充medv_mean = df_data['MEDV'].mean()df_data['MEDV'] = df_data['MEDV'].fillna(medv_mean)#将数据转化为多维数组ndarray = df_data.values#获取特征值0~13列是特征值features = ndarray[:,:13]label = ndarray[:,13:]#将特征值标准化minmax_scale = preprocessing.MinMaxScaler(feature_range = (0,1))norm_features = minmax_scale.fit_transform(features)return norm_features,label#将节点使用tensorboard展示出来
tf.reset_default_graph()  #清空之前的计算图#定义两个变量,也就是要求的变量
#其中w是一个13*1维矩阵
w = tf.Variable(tf.random_normal([13,1],stddev=0.01),name='w')
b = tf.Variable(1.0,name='b')#给出预处理后的数据
x_data,y_data = prepare_date(df_data)
print(y_data)#定义模型，线性模型
def model(x,w,b):return tf.matmul(tf.cast(x,tf.float32),w)+b#定义预测操作节点
pred = model(x_data,w,b)#定义均方差损失函数
loss_function = tf.reduce_mean(tf.pow(y_data-pred,2))#定义两个占位符
x = tf.placeholder(tf.float64,[None,13],name="x")
y = tf.placeholder(tf.float64,[1,1],name="y")#定义超参数
train_epochs = 100 #迭代轮数
learning_rate = 0.1 #学习率#创建优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)#申明一个会话，并启动
sess = tf.InteractiveSession()
init = tf.global_variables_initializer() #初始化变量节点
sess.run(init)#迭代训练网络
for epoch in range(train_epochs):loss_sum = 0.0 #记录损失值for xs,ys in zip(x_data,y_data):#将张量变为矩阵xs = xs.reshape(1,13)ys = ys.reshape(1,1)#将数据取出并传入到占位符中_,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})loss_sum=loss_sum+loss;   #统计损失函数总和#为防止假性训练成果，打乱数据顺序from sklearn.utils import shufflex_data,y_data = shuffle(x_data,y_data)b0temp = b.eval(session = sess)w0temp = w.eval(session = sess)loss_average = loss_sum/len(y_data)#每训练10步做一次打印if (epoch%10 == 0):print("epoch = ",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)#训练结束将w和b打印出来下来
print("The boston_price is :",sess.run(w),sess.run(b))#将计算图日志保存，用以tensorBoard显示
logdir = 'D:\log'
#使用writer写入
writer = tf.summary.FileWriter(logdir,tf.get_default_graph())
writer.close()

训练出的损失函数在29左右就收敛了，超参数选择100,0.1
运行tensorboard --logdir=D:\log启动tensorboad
进入 http://LAPTOP-0AIT3G5I:6006/查看节点流图

多远线性回归代码-波士顿房价问题相关推荐

使用线性回归实现波士顿房价预测
使用线性回归实现波士顿房价预测本文不进行线性回归基础知识讲解,只提供三种方法对波士顿房价进行预测,这三种方法分别是: 1.使用正规方程的优化方法对波士顿房价进行预测 2.使用梯度下降的优化方法对波士 ...
使用线性回归构建波士顿房价预测模型
使用线性回归构建波士顿房价预测模型描述波士顿房价数据集统计了波士顿地区506套房屋的特征以及它们的成交价格,这些特征包括周边犯罪率.房间数量.房屋是否靠河.交通便利性.空气质量.房产税率.社区师生 ...
机器学习(三)：基于线性回归对波士顿房价预测
文章目录专栏导读 1.线性回归原理 2.实战案例 2.1数据说明 2.2导入必要的库并加载数据集 2.3划分训练集和测试集 2.4创建线性回归模型 2.5模型预测评价专栏导读 ✍ 作者简介:i阿极 ...
python学习笔记 4 - 线性回归、波士顿房价数据分析
1 什么是机器学习? 给定一组(x(i), y(i)),给定一个模型,将x(i)输入模型后得到y(i)^ 计算y(i)和y(i)^的差距,差距越小,模型越优. 通过不断地优化模型,使得差距越来越小,这 ...
【sklearn】线性回归 - 预测波士顿房价
目的本文使用Python的sklearn类库,基于对机器学习线性回归算法的理论学习,利用sklearn中集成的波士顿房价数据,以此来对线性回归的理论知识进行一次实践总结. 本文不以预测的准确率为目的 ...
基于线性回归的波士顿房价预测
折线图代码 #-*-coding:utf-8-*- import pandas as pd import numpy as np import matplotlib.pyplot as plt #加载 ...
人工智能与大数据—线性回归之波士顿房价预测
一,首先导入必要的包 1,paddle.fluid--->PaddlePaddle深度学习框架 2,numpy---------->python基本库,用于科学计算 3,os------- ...
机器学习（11）线性回归（2）实战 -- 正规方程优化、梯度下降优化（波士顿房价预测）
目录一.波士顿房价预测(正规方程优化) API 1.获取数据集 2.划分数据集 3.标准化 4. 创建预估器,得到模型 5.模型评估(均方差评估) 代码二.波士顿房价预测(正规方程优化) API ...
线性回归波士顿房价预测
目录线性回归对波士顿房价进行预测一.基础概念: 1. 线性回归 2. 平均绝对误差,均方误差的理解 3. 决定系数二.实验步骤与分析 1. 数据背景 2. 数据读入 3. 定义特征值.目标值 4 ...

多远线性回归代码-波士顿房价问题

多远线性回归代码-波士顿房价问题相关推荐

最新文章

热门文章