Pytorch神经网络预测boston数据集房价

最新推荐文章于 2025-03-25 13:14:20 发布

蓝翔厨师长

最新推荐文章于 2025-03-25 13:14:20 发布

阅读量1.4k

点赞数 6

分类专栏：深度学习文章标签：神经网络

本文链接：https://blog.youkuaiyun.com/qq_38415758/article/details/110195015

版权

深度学习专栏收录该内容

2 篇文章

订阅专栏

本博客介绍了一个使用PyTorch实现的波士顿房价预测模型。该模型采用线性回归网络结构，并通过Adam优化器进行参数更新。文章详细展示了从数据预处理到模型训练及测试的完整流程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import torch.nn as nn
import numpy as np
import torch

#数据加载
from sklearn.datasets import load_boston

data = load_boston()
x =data['data']
y = data['target']
#print(y)

y = y.reshape(-1,1)

#数据规范化
from sklearn.preprocessing import MinMaxScaler
mm_scale = MinMaxScaler()
x = mm_scale.fit_transform(x)

#切分数据集
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.2)
x_train = torch.from_numpy(x_train).type(torch.FloatTensor)
x_test = torch.from_numpy(x_test).type(torch.FloatTensor)
y_train = torch.from_numpy(y_train).type(torch.FloatTensor)
y_test = torch.from_numpy(y_test).type(torch.FloatTensor)
print(y_test)

#构造网络
model =nn.Sequential(
    nn.Linear(13,10),
    nn.ReLU(),
    nn.Linear(10,1)
)

#定义优化器和损失函数
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(),lr=0.01)

#训练
max_epoch = 300
for i in range(max_epoch):
    #前向传播
    y_pred = model(x_train)
    #计算loss
    loss = criterion(y_pred,y_train)
    #梯度清0
    optimizer.zero_grad()
    #反向传播
    loss.backward()
    #权重调整
    optimizer.step()

#测试
output = model(x_test)
predict_list = output.detach().numpy()
print(predict_list)