深度学习课程设计——波士顿房价预测

最新推荐文章于 2025-02-12 13:15:09 发布

TL同学

最新推荐文章于 2025-02-12 13:15:09 发布

阅读量7.3k

点赞数 6

分类专栏：课程设计文章标签：神经网络深度学习

本文链接：https://blog.youkuaiyun.com/qq_45947969/article/details/113139984

版权

本文介绍了使用密集连接神经网络预测波士顿房价的过程，包括数据预处理、网络构建和模型优化。通过K折交叉验证改进模型，最终预测房价与实际值相差约2400美元。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

基于密集连接神经网络的波士顿房价预测

摘要

神经网络是从信息处理角度对人脑神经元网络进行抽象，建立某种模型，按不同的连接方式组成不同的网络。本文以波士顿房价这一经典数据集为基础，该数据集包含了住宅用地所占比例等13个特征，由于keras.datasets里内置了波士顿房价数据集，所以直接导入。接着对该数据集进行特征标准化，构建包含三层全连接层的网络模型，前两层有64个单元，激活函数为‘relu’，最后一层为1个单元，不加激活层，这样可以预测任意范围的值。编译网络optimizers是‘rmsprop’，loss是‘mse’。然后查看前五个房屋实际价格与预测房屋价格，发现差异较大。然后重新构建一个包含五层的网络模型，前两层是64个单元，后三层分别是32、16、1个单元的全连接层，发现模型性能有所改进，但预测结果还是不太理想。则在模型中引入K交叉折验证方法进行改进，通过调节模型训练轮数、优化器等参数，最后观察模型性能，预测房价与实际房价相差约2400美元，查看前五个预测房屋价格分别是：8.473495，20.397701，22.871258，33.599148，25.75566，与实际房屋价格比较符合。

关键词：波士顿房价；特征标准化；神经网络；K折交叉验证

一、课程设计目的

在现实的生活中我们经常遇到分类与预测的问题，目标变值通常会受到多个因素的影响，并且不同的因素对于目标变量的影响也不尽相同，因此权重也会不相同，有些因素权重大，有些因素权重小。我们通常会通过已知的因素来预测目标变量的值。

房价是受诸多因素影响的，如人均犯罪率、每个住宅的平均房间数、高速公路可达性等。这些都是影响房子价格的因素。房价明显是连续的取值，故房价预测问题是回归问题。于是我们将通过深度学习来预测波士顿房价。

二、总体思路

构建波士顿房价预测任务的神经网络模型步骤：

三、神经网络实现过程

3.1、数据预处理

首先我们需要加载波士顿房价数据，通过观察我们可以发现数据中有404个训练样本和数102个测试样本，每个样本都有13个数值特征，数值特征如下：

属性	数据类型	字段描述
CRIM	Float	城镇人均犯罪率
ZN	Float	占地面积超过2.5万平方英尺的住宅用地比例
INDUS	Float	城镇非零售业务地区的比例
CHAS	Integer	查尔斯河虚拟变量 (= 1 如果土地在河边；否则是0)
NOX	Float	一氧化氮浓度（每1000万份）
RM	Float	平均每居民房数
AGE	Float	在1940年之前建成的所有者占用单位的比例