使用paddle实现波士顿房价预测（线性回归模型）

最新推荐文章于 2025-02-17 18:04:32 发布

原创

最新推荐文章于 2025-02-17 18:04:32 发布 · 1.1k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #机器学习

本文通过Paddle详细介绍了如何构建一个基于13个因素预测波士顿房价的线性回归模型，对比了与numpy编写的优势，并鼓励读者交流指正。

写在前面： 我是「虐猫人薛定谔i」，一个不满足于现状，有梦想，有追求的00后
$\quad$
本博客主要记录和分享自己毕生所学的知识，欢迎关注，第一时间获取更新。
$\quad$
不忘初心，方得始终。
$\quad$

❤❤❤❤❤❤❤❤❤❤

数据

该数据集统计了13种可能影响房价的因素和该类型房屋的均价，我们期望构建一个基于13个因素进行房价预测的模型。
在这里插入图片描述

代码

import paddle.fluid as fluid
import paddle.fluid.dygraph as dygraph
from paddle.fluid.dygraph import Linear
import numpy as np


def load_data():
    # 从文件导入数据
    datafile = './res/housing.data'
    data = np.fromfile(datafile, sep=' ')
    feature_names = [
        'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX',
        'PTRATIO', 'B', 'LSTAT', 'MEDV'
    ]
    feature_num = len(feature_names)
    data = data.reshape([data.shape[0] // feature_num, feature_num])
    ratio = 0.8
    offset = int(data.shape[0] * ratio)
    training_data = data[:offset]
    maximums, minimums, avgs = training_data.max(axis=0), training_data.min(
        axis=0), training_data.sum(axis=0) / training_data.shape[0]

    global max_values
    global min_values
    global avg_values
    max_values = maximums
    min_values = minimums
    avg_values = avgs

    for i in range(feature_num

最低0.47元/天解锁文章