波士顿房价预测python 神经网络
时间: 2024-05-12 21:11:43 浏览: 21
波士顿房价预测是一个非常常见的机器学习问题,可以使用神经网络来解决。在Python中,有多种神经网络库可以用来进行波士顿房价预测的编程实现,比如TensorFlow、Keras和PyTorch等。下面是一个使用Keras实现的波士顿房价预测的例子:
```python
import numpy as np
from keras.datasets import boston_housing
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import Adam
# 加载波士顿房价数据集
(x_train, y_train), (x_test, y_test) = boston_housing.load_data()
# 构建神经网络模型
model = Sequential()
model.add(Dense(64, activation='relu', input_shape=(13,)))
model.add(Dense(64, activation='relu'))
model.add(Dense(1))
# 编译模型
model.compile(optimizer=Adam(), loss='mse', metrics=['mae'])
# 训练模型
model.fit(x_train, y_train, epochs=100, batch_size=16, validation_data=(x_test, y_test))
# 测试模型
test_loss, test_mae = model.evaluate(x_test, y_test)
print('Test MAE: %.2f' % test_mae)
# 预测新数据
new_data = np.array([[0.00632, 18.00, 2.31, 0.00, 0.5380, 6.5750, 65.20, 4.0900, 1.00, 296.0, 15.30, 396.90, 4.98]])
prediction = model.predict(new_data)
print('Prediction: %.2f' % prediction)
```
上述代码中,我们首先使用Keras内置的波士顿房价数据集,加载训练集和测试集。然后构建了一个包含两个隐藏层的神经网络模型,使用Adam优化器和均方误差(MSE)损失函数进行编译。接着进行了100个epochs的训练,并使用测试集进行了测试。最后,我们使用训练好的模型对新数据进行了预测。