4、神经网络基础与房价预测实践

神经网络基础与房价预测实践

1. 神经网络基础

1.1 神经网络层结构

神经网络主要由输入层、隐藏层和输出层构成。隐藏层位于输入层和输出层之间，通过隐藏神经元对输入数据进行计算，并将结果传递给输出层。输出层则将最后一个隐藏层的结果作为输入数据，利用其神经元进行计算，得出网络的最终结果。

除输入神经元外，神经网络的每个神经元都能接收一个或多个带有不同权重的输入，这些输入经过求和后产生输出。通常，求和后的结果会被传递给一个非线性函数，即激活函数，以生成最终输出。常见的激活函数有 ReLU、sigmoid 和 tanh 等。

1.2 神经网络训练流程

神经网络的训练主要包括以下四个部分：
1. 准备数据集 ：训练神经网络的数据集分为训练数据、验证数据和测试数据三种。
- 训练数据 ：用于拟合神经网络中神经元之间连接的权重，通常包含输入样本和真实标签对，真实标签也称为预期输出。
- 验证数据 ：在调整网络模型的超参数（如隐藏层数量、每层神经元数量等）时，用于评估模型的拟合程度。
- 测试数据 ：用于评估最终网络模型在训练数据上的拟合效果。在大多数竞赛中，训练数据和验证数据会公开，而测试数据则作为模型最终评估的依据。

为避免直接根据测试数据调整超参数导致模型在实际应用中表现不佳，通常使用验证数据来调整超参数，使模型在测试数据上的表现更符合实际应用情况。

2. 构建网络模