python深度学习基于pytorch房屋销售数据正则化比较测试损失完整代码

在Python中，尤其是使用PyTorch库进行深度学习时，处理房屋销售预测这样的回归任务，我们可以使用线性回归作为基础模型，并引入正则化技术如L1或L2来防止过拟合。这里是一个简单的例子，展示如何使用PyTorch完成这个任务：

import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
import pandas as pd

# 加载数据 (假设你已经有了一个CSV文件)
data = pd.read_csv('house_sales_data.csv')

class HouseSalesDataset(Dataset):
    def __init__(self, data, targets):
        self.data = torch.tensor(data.values, dtype=torch.float32)
        self.targets = torch.tensor(targets.values, dtype=torch.float32)

    def __len__(self):
        return len(self.data)

    def __getitem__(self, idx):
        return self.data[idx], self.targets[idx]

# 数据预处理
X, y = ...  # 提取特征和标签
train_dataset = HouseSalesDataset(X_train, y_train)
test_dataset = HouseSalesDataset(X_test, y_test)

# 定义模型（假设输入层有10个特征）
model = nn.Linear(10, 1)  # 输出一层，因为我们预测的是数值型结果

# 线性回归本身不需要正则化，但可以添加L1或L2权重衰减（weight decay）
optimizer = torch.optim.SGD(model.parameters(), lr=0.01, weight_decay=1e-5)

criterion = nn.MSELoss()  # 使用均方误差作为损失函数

for epoch in range(num_epochs):  
    train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
    for inputs, targets in train_loader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, targets)
        
        # 添加正则化项（如果使用L2，可以改为loss += weight_decay * sum(p**2 for p in model.parameters() if p.requires_grad))
        # 对于L1正则化，此处省略

        loss.backward()
        optimizer.step()

    with torch.no_grad():
        test_loss = criterion(model(test_dataset.data), test_dataset.targets)
        print(f"Epoch {epoch+1}/{num_epochs}, Test Loss: {test_loss.item()}")