BP回归预测——以房价预测为例

最新推荐文章于 2024-10-31 17:12:16 发布

原创

最新推荐文章于 2024-10-31 17:12:16 发布 · 1.2k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#回归 #数据挖掘 #人工智能

本文介绍了使用深度学习方法，特别是BP神经网络对波士顿房价数据进行预测的过程，包括数据预处理、使用随机梯度下降优化算法训练模型，以及展示训练损失函数变化。

参考博文：深度学习——入门经典案例《波士顿房价预测》深度解析_什么是梯度下降-优快云博客

tensorflow BP神经网络波士顿房价预测_bp神经网络波士顿房价预测-优快云博客

网络训练部分：

import numpy as np
import matplotlib.pyplot as plt

##使用了随机梯度下降法提高效率
def load_data():
    # 读取以空格分开的文件，变成一个连续的数组
    firstdata = np.fromfile('F:/boston-house-price-forecast-master/boston-house-price-forecast-master/housing.data', sep=' ')
    # 添加属性
    feature_names = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT',
                     'MEDV']
    # 列的长度
    feature_num = len(feature_names)
    # print(firstdata.shape)  输出结果:(7084, )
    # print(firstdata.shape[0] // feature_nums)  输出结果:506
    # 构造506*14的二维数组
    data = firstdata.reshape([firstdata.shape[0] // feature_num, feature_num])

    # 训练集设置为总数据的80%
    ratio = 0.8
    offset = int(data.shape[0] * ratio)
    training_data = data[:offset]
    # print(training_data.shape)

    # axis=0表示列
    # axis=1表示行
    maximums, minimums, avgs = training_data.max(axis=0), training_data.min(axis=0), training_data.sum(axis=0) / \
                               training_data.shape[0]
    # 查看训练集每列的最大值、最小值、平均值
    # print(maximums, minimums, avgs)

    # 对所有数据进行归一化处理
    for