Python基于PyTorch实现BP神经网络ANN回归模型项目实战_pytorch, bp算法

说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。

1.项目背景

在人工神经网络的发展历史上，感知机(Multilayer Perceptron，MLP)网络曾对人工神经网络的发展发挥了极大的作用，也被认为是一种真正能够使用的人工神经网络模型，它的出现曾掀起了人们研究人工神经元网络的热潮。BP网络是在输入层与输出层之间增加若干层(一层或多层)神经元，这些神经元称为隐单元，它们与外界没有直接的联系，但其状态的改变，则能影响输入与输出之间的关系，每一层可以有若干个节点。

本项目通过基于PyTorch实现BP神经网络回归模型。

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

数据详情如下(部分展示)：

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据：

关键代码：

3.2 数据缺失查看

使用Pandas工具的info()方法查看数据信息：

从上图可以看到，总共有11个变量，数据中无缺失值，共2000条数据。

3.3 数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。

关键代码如下：

4.探索性数据分析

4.1 y变量分布直方图

用Matplotlib工具的hist()方法绘制直方图：

4.2 相关性分析

从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。

5.特征工程

5.1 建立特征数据和标签数据

关键代码如下：

5.2 数据集拆分

通过train_test_split()方法按照80%训练集、20%测试集进行划分，关键代码如下：

6.构建BP神经网络回归模型

主要使用PyTorch的Linear层网络，用于目标回归。

6.1 模型构建

6.2 神经网络的迭代信息

通过上图可以看到，神经网络每次迭代训练集的损失值。

6.3 训练集损失迭代图

通过上图可以看到，随着迭代次数的增加，训练集损失逐渐减少。

7. 模型评估

7.1评估指标及结果

评估指标主要包括R方、均方误差、解释性方差、绝对误差等等。

从上表可以看出，R方分值为0.9486，说明模型效果较好。  

关键代码如下： 

7.2 真实值与预测值散点图

通过上图可以看到，真实值与预测值基本在一条线上，说明模型的拟合效果较好。

7.3 真实值与预测值对比图

从上图可以看出真实值和预测值波动基本一致，模型效果较好。

8.结论与展望

综上所述，本项目基于PyTorch实现BP神经网络ANN单隐层算法搭建了回归模型并对模型进行了评估，最终证明了我们提出的模型效果良好。  

# 本次机器学习项目实战所需的资料，项目资源如下：
 
# 项目说明：
 
# 链接：https://pan.baidu.com/s/1cEqb5jPxH5j9cd5aXzkF9w 
# 提取码：i0yl
 
# 用Pandas工具查看数据
print(df.head())
 
# 查看数据集摘要
print(df.info())
 
# 数据描述性统计分析
print(df.describe())
 
# y变量分布直方图
fig = plt.figure(figsize=(8, 5))  # 设置画布大小
plt.rcParams['font.sans-serif'] = 'SimHei'  # 设置中文显示
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
data_tmp = df['y']  # 过滤出y变量的样本
# 绘制直方图  bins：控制直方图中的区间个数 auto为自动填充个数  color：指定柱子的填充色
plt.hist(data_tmp, bins='auto', color='g')
plt.xlabel('y')
plt.ylabel('数量')
plt.title('y变量分布直方图')
plt.show()