动手学深度学习 实战Kaggle比赛-房价预测

动手学深度学习 实战Kaggle比赛-房价预测

本文介绍Kaggle比赛的房价预测实战
之前阅读了权重衰减和dropout等方法
结合前几篇文章介绍的多层感知机 所以写此文来记录并巩固

---

前言

附上比赛原文地址

点击“Data”标签 下载需要用到的数据

正文

导包

import os
import pandas as pd
import torch
from torch import nn
import d2lzh as d2l
import matplotlib.pyplot as plt
1
2
3
4
5
6

读取数据集

比赛数据分为训练数据集和测试数据集。
两个数据集都包括每栋房子的特征

• 如道类型、建造年份、房顶类型、地下室状况等特征值。

这些特征值有连续的数字、离散的标签甚至是缺失值“na”。只有训练数据集包括了每栋房子的价格，也就是标签。

train_data = pd.read_csv('train.csv')
test_data = pd.read_csv('test.csv')
## 观察数据结构
print(train_data.shape)  # (1460, 81)
print(test_data.shape)  # (1459, 80)
print(train_data.iloc[0:4, [0, 1, 2, 3, -3, -2, -1]])
1
2
3
4
5
6

训练数据集包括1460个样本、80个特征和1个标签。
测试数据集包括1459个样本和80个特征。我们需要将测试数据集中每个样本的标签预测出来。

(1460, 81)
(1459, 80)
1
2

查看前4个样本的前4个特征、后2个特征和标签（SalePrice）
很明显发现Id这列在训练中是没有什么作用的,所以在之后的预处理阶段可以删除

预处理数据集

删除 Id 特征列

all_features = pd.concat((train_data.iloc[:, 1:-1], test_data.iloc[:, 1:]))
1

对连续数值的特征做标准化
标准化在很多机器学习案例的预处理阶段都会使用到,它所针对的对象主要是连续数值

所以要先获取 数值类型的索引

numeric_features = all_features.dtypes[all_features.dtypes != 'object'].index  # 获取数值信息的索引
1

解析: dtypes获取到每一列的类型 通过条件切片的方式去除那些非数值型的列, 然后返回 index

这里返回的其实就是每一列的列名

使用 apply 方法对数值列标准化

all_features[numeric_features] = all_features[numeric_features].apply(
    lambda x: (x - x.mean()) / (x.std())
)
1
2
3

标准化之后,有些列可能还存在缺失值,这个时候我们就可以用每一列的均值来填充这些缺失值

而因为经过了标准化，每个特征的均值变为0
所以可以直接用0来替换缺失值,如下

all_features[numeric_features] = all_features[numeric_features].fillna(0)
1

接下来将离散的数值信息转换为指示特征(one hot)编码

举例说明: 如df中含有一列color列, 其中包含了非数值型数据
那么通过get_dummies方法可以将其转换为多列, 由0,1构成, 如下

这里也采用类似的操作

# dummy_na=True将缺失值也当作合法的特征值并为其创建指示特征
all_features = pd.get_dummies(all_features, dummy_na=True)
print(all_features.shape)
1
2
3

(2919, 331)
1

可以看到, 因为里面包含了一些 非数值型特征, 经过one hot编码之后,使得每一列都变成了数值型数据但是特征的个数也增加到了331

转换格式为 tensor`

.values方法将Series对象转换为Numpy的格式的数据, 方便直接转换为torch.tensor
这里保存了训练的特征, 测试的特征以及训练的标签

n_train = train_data.shape[0]  # 获取训练集的数量
train_features = torch.tensor(all_features[:n_train].values, dtype=torch.float)  # 训练特征
test_features = torch.tensor(all_features[n_train:].values, dtype=torch.float)  # 测试特征
train_labels = torch.tensor(train_data.SalePrice.values, dtype=torch.float).view(-1, 1)  # 训练标签

1
2
3
4
5

训练模型

书中使用一个基本的线性回归模型和平方损失函数来训练模型

loss = torch.nn.MSELoss()

def get_net(feature_num):
    net = nn.Linear(feature_num, 1)
    for param in net.parameters():
        nn.init.normal_(param, mean=0, std=0.01)
    return net
1
2
3
4
5
6
7

定义均方根误差

这里要注意,自己定义返回的时候不要忘记加item()
在函数中做了个数据操作

• 将小于1的值设成1，使得取对数时数值更稳定

def log_rmse(net, features, labels):
    with torch.no_grad():
        # 将小于1的值设成1，使得取对数时数值更稳定
        clipped_preds = torch.max(net(features), torch.tensor(1.0))
        rmse = torch.sqrt(loss(clipped_preds.log(), labels.log()))
    return rmse.item()
1
2
3
4
5
6

训练函数的时候采用 Adam优化算法,它对学习率相对不那么敏感

def train(net, train_features, train_labels, test_features, test_labels,
          num_epochs, learning_rate, weight_decay, batch_size):
    train_ls, test_ls = [], []
    dataset = torch.utils.data.TensorDataset(train_features, train_labels)
    train_iter = torch.utils.data.DataLoader(dataset, batch_size, shuffle=True)
    # 这里使用了Adam优化器
    optimizer = torch.optim.Adam(params=net.parameters(), lr=learning_rate, weight_decay=weight_decay)
    net = net.float()
    for epoch in range(num_epochs):
        for X, y in train_iter:
            l = loss(net(X.float()), y.float())
            optimizer.zero_grad()
            l.backward()
            optimizer.step()
        train_ls.append(log_rmse(net, train_features, train_labels))
        if test_labels is not None:
            test_ls.append(log_rmse(net, test_features, test_labels))
    return train_ls, test_ls


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

k折交叉验证

之前学习了交叉验证,书本在本例中给出了实现代码

def get_k_fold_data(k, i, X, y):
    assert k > 1
    fold_size = X.shape[0] // k
    X_train, y_train = None, None
    for j in range(k):
        idx = slice(j * fold_size, (j + 1) * fold_size)
        X_part, y_part = X[idx, :], y[idx]
        if j == i:
            X_valid, y_valid = X_part, y_part
        elif X_train is None:
            X_train, y_train = X_part, y_part
        else:
            X_train = torch.cat((X_train, X_part), dim=0)
            y_train = torch.cat((y_train, y_part), dim=0)
    return X_train, y_train, X_valid, y_valid

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

slice函数的用法如下

训练K次并返回训练和验证的平均误差

def k_fold(k, X_train, y_train, num_epochs,
           learning_rate, weight_decay, batch_size):
    train_l_sum, valid_l_sum = 0, 0
    for i in range(k):
        data = get_k_fold_data(k, i, X_train, y_train)
        net = get_net(X_train.shape[1])
        train_ls, valid_ls = train(net, *data, num_epochs, learning_rate,
                                   weight_decay, batch_size)
        train_l_sum += train_ls[-1]
        valid_l_sum += valid_ls[-1]
        if i == 0:
            d2l.semilogy(range(1, num_epochs + 1), train_ls, 'epochs', 'rmse',
                         range(1, num_epochs + 1), valid_ls, ['train', 'valid'])
        print('fold %d, train rmse %f, valid rmse %f' % (i, train_ls[-1], valid_ls[-1]))
    return train_l_sum / k, valid_l_sum / k
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

模型选择

k, num_epochs, lr, weight_decay, batch_size = 5, 100, 5, 0, 64
train_l, valid_l = k_fold(k, train_features, train_labels, num_epochs, lr, weight_decay, batch_size)
print('%d-fold validation: avg train rmse %f, avg valid rmse %f' % (k, train_l, valid_l))
1
2
3

有时候你会发现一组参数的训练误差可以达到很低，但是在折交叉验证上的误差可能反而较高。
这种现象很可能是由过拟合造成的。因此，当训练误差降低时，我们要观察折交叉验证上的误差是否
也相应降低。

预测并在Kaggle提交结果

def train_and_pred(train_features, test_features, train_labels, test_data,
                   num_epochs, lr, weight_decay, batch_size):
    net = get_net(train_features.shape[1])
    train_ls, _ = train(net, train_features, train_labels, None, None,
                        num_epochs, lr, weight_decay, batch_size)
    d2l.semilogy(range(1, num_epochs + 1), train_ls, 'epochs', 'rmse')
    plt.show()
    print('train rmse %f' % train_ls[-1])
    preds = net(test_features).detach().numpy()
    test_data['SalePrice'] = pd.Series(preds.reshape(1, -1)[0])
    submission = pd.concat([test_data['Id'], test_data['SalePrice']], axis=1)
    submission.to_csv('submission.csv', index=False)

train_and_pred(train_features, test_features, train_labels, test_data, num_epochs, lr, weight_decay, batch_size)
1
2
3
4
5
6
7
8
9
10
11
12
13
14

引用资料来源

本文内容来自吴振宇博士的Github项目
对中文版《动手学深度学习》中的代码进行整理，并用Pytorch实现
【深度学习】李沐《动手学深度学习》的PyTorch实现已完成