《Python 深度学习》3.6 预测房价：回归问题（代码）

最新推荐文章于 2024-06-21 22:25:34 发布

布拉格沃兹基硕德

最新推荐文章于 2024-06-21 22:25:34 发布

阅读量819

点赞数 2

分类专栏： Tensorflow Python 文章标签： python 深度学习回归

本文链接：https://blog.youkuaiyun.com/baidu_30506559/article/details/121069379

版权

该博客介绍了使用Keras进行波士顿房价预测的回归问题，通过K折验证评估模型性能。首先加载波士顿房价数据集，然后进行数据标准化，接着定义并训练多层感知器模型。在K折交叉验证过程中，计算每个折叠的验证集上的平均绝对误差（MAE）。最后，展示模型在全部数据上的表现，并探讨了小数据集下模型训练的策略。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Predicting house prices: a regression example

波士顿房价数据集

本节将要预测 20 世纪 70 年代中期波士顿郊区房屋价格的中位数，已知当时郊区的一些数据点，比如犯罪率、当地房产税率等。本节用到的数据集与前面两个例子有一个有趣的区别。它包含的数据点相对较少，只有 506 个，分为 404 个训练样本和 102 个测试样本。输入数据的每个特征（比如犯罪率）都有不同的取值范围。例如，有些特性是比例，取值范围为 0~1；有的取值范围为 1~12；还有的取值范围为 0~100，等等。

（由于是在Jupyter Notebook上直接copy下来的，所以使用时请记得注意。）

## 1. 加载波士顿房价数据集

from tensorflow.keras.datasets import boston_housing
(train_data, train_targets), (test_data, test_targets) = boston_housing.load_data()

train_data.shape

train_targets.shape

train_targets

test_data.shape

test_targets.shape

## 2. 数据标准化

#如果量纲不一致，最好对输入向量进行标准化，此处采用减去均值除以标准差。
#即对于输入数据的每个特征（输入数据矩阵中的列），减去特征平均值，再除以标准差，这样得到的特征平均值为0，标准差为1。
mean = train_data.mean(axi

最低0.47元/天解锁文章