李哥深度学习笔记02-新冠病毒感染人数预测

基于 COVID-19 数据集的回归任务模型，目标是预测 tested_positive（阳性检测结果值）

整体流程：数据预处理--》模型定义--》训练与验证--》测试与结果生成

优化点：

1. 特征选择：通过 SelectKBest 筛选高相关性特征，提升模型效率        
2. 正则化：在损失函数中加入 L2 正则项（参数平方和），抑制过拟合

训练流程：

1. 数据加载

   • 从 covid.train.csv 和 covid.test.csv 加载数据。

   • 根据 all_feature 标志选择是否使用全部特征。

2. 模型训练

   • 训练 20 个 epoch，批量大小设为 16。

   • 监控训练和验证损失，保存最佳模型至 model_save/best_model.pth。

3. 测试预测

   • 加载最佳模型，生成测试结果文件 pred.csv

---

一.数据预处理

        

二.模型定义

其中在这里有对super的思考：

#super()显式调用父类初始化方法 → 父子类属性均存在时，调用同一个方法会自动先去调用子类，当你想调用父类的时候，就用super简而言之，super()不是用来“继承”属性和方法的，而是用来调用父类逻辑，确保子类能正确使用已继承的属性和方法。

#super（）的理解：在黑马https://www.bilibili.com/video/BV1qW4y1a7fU?spm_id_from=333.788.videopod.episodes&vd_source=8b9e260d6730271baf18c841410561f0&p=119

若以后要优化这个模型，可以按下面的思路去操作

三.训练与验证

动量的概念：

动量，就相当于惯性，继续冲一下，目的是为了防止陷入以为自己是最小值而不动弹的情况

四.测试与结果生成

---

优化点：SelectKBest

1. 核心功能

• 特征降维：从原始特征中选择最重要的 K 个，减少冗余或无关特征，提升模型效率和准确性。

• 适用场景：分类、回归任务中，需快速筛选高相关性特征。