使用深度学习预测房价_基于深度学习的房价预测系统设计 精确度r2大于0.8

波士顿房价预测是一个经典的机器学习任务，类似于程序员世界的“Hello World”。与大家对房价的普遍认知基本相同，波士顿地区的房价受诸多因素影响。该数据集统计了13种可能影响房价的因素和该类型房屋的均价，期望构建一个基于13个因素进行房价预测的模型，如 图1 所示。

对于预测问题，可以根据预测输出的类型是连续的实数值，还是离散的标签，区分为回归任务和分类任务。因为房价是一个连续值，所以房价预测显然是一个回归任务。下面我们尝试用最简单的线性回归模型解决这个问题，并用神经网络来实现这个模型。

线性回归模型

在之前的文章中，我们详细地讲过线性回归的模型及计算公式，只不过，当时我们用的是模拟数据。文章详细请见《DJL-Java动手学深度学习之线性回归实现》

数据处理封装

为了数据加载方便，在这里，我把二维表格类数据进行了简单封装，可以方便地把一份数据通过比例切分成训练集和验证集，并通一做归一化处理《DJL-Java开发者动手学深度学习之归一化处理及源代码
》。详细代码如下：

ublic class DataPoint {
   
	private NDArray data;
	private NDArray trainingData;
	private NDArray testData;

	private NDArray lable;
	private NDArray trainingLable;
	private NDArray testLable;

	private float ratio = 0.8F;

	private MinMaxScaler dataScaler = new MinMaxScaler();
	
	public DataPoint(NDArray data) {
   
		this(data, 0.8F);
	}

	public DataPoint(NDArray data, float ration) {
   
		this.ratio = ration;
		this.data = data;
	}
	
	public DataPoint fit() {
   
		System.out.println(data.getShape().get(0));
		
		data = dataScaler.transform(data);//归一化
		System.out.println(dataScaler.getMax());
		System.out.println(dataScaler.getMin());
		
		lable = data.get(":,-1:"); //最后一列
		
		data = data.get(":,:-1")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35