人工智能：波士顿房价预测线性回归实践_1、建立回归模型预测波士顿房屋价值2、评估模型优劣。3、根据数据集找出哪几个 - CSDN文库

21 浏览量更新于2023-03-03 评论 5 收藏 100KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

人工智能：波士顿房价预测线性回归实践人工智能：波士顿房价预测线性回归实践

按课程案例，动手完成编码实践。

通过梯度下降优化器进行优化，尝试采用不同的学习率和训练轮数等超参数，记录训练后的损失值和W、b变量值。

提交要求：

1、至少5次不同超参数的运行结果的记录文档（word格式或者txt格式）

2、你认为最优的一次带运行结果的源代码文件（.ipynb 格式）

3、以上两个文件一起压缩为一个压缩文件后作为附件上传

评价标准：

1、完成案例中的代码，有完整的代码，模型能运行优化出结果，8分；

2、调整过超参数，记录文件中有至少5组数据，2分；

利用利用python面向对象的思想，对其进行编程：面向对象的思想，对其进行编程：

%matplotlib notebook

import tensorflow.compat.v1 as tf

import numpy as np

import pandas as pd

from sklearn.utils import shuffle

tf.disable_eager_execution() #防止抛出异常RuntimeError: tf.placeholder() is not compatible with eager execution.

class Train:

def __init__(self,route):

self.df = pd.read_csv(route,header = 0) #读取csv文件

print(self.df.describe()) #显示数据摘要信息

self.df = self.df.values #获取df的值

self.df = np.array(self.df) #把self.df转换为np数组的形式

def Standard(self):

for i in range(12):

self.df[:,i] = (self.df[:,i] - self.df[:,i].min())/(self.df[:,i].max() - self.df[:,i].min())

self.x_data = self.df[:,:12] #self.x_data为前12列的特征数据

self.y_data = self.df[:,12] #self.y_data为最后一列的标签数据

def model(x,w,b): #矩阵相乘,w和x

return tf.matmul(x,w) + b

def Matrix(self):

#定义特征数据和标签数据的占位符

self.x = tf.placeholder(tf.float32,[None,12],name="X") #12个特征数据，12列，None表示行数未知

self.y = tf.placeholder(tf.float32,[None,1],name="Y") #1个标签数据，1列

#定义一个命名空间

with tf.name_scope("Model"):

#初始化值为shape=(12,1)的随机数，标准差为0.01

self.w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "W")

self.b = tf.Variable(1.0,name = "b") #b的初始值为1.0

self.pred = Train.model(self.x,self.w,self.b) #预测计算操作，前向计算节点

def LossFunction(self,train_epochs,learning_rate):

self.train_epochs,self.learning_rate = train_epochs,learning_rate

with tf.name_scope("LossFunction"): #定义均方差损失函数

self.loss_function = tf.reduce_mean(tf.pow(self.y - self.pred,2)) #均方误差

#创建梯度下降优化器

self.optimizer = tf.train.GradientDescentOptimizer(self.learning_rate).minimize(self.loss_function)

self.sess =tf.Session() #声明会话

self.init = tf.global_variables_initializer() #定义初始化变量的操作

self.sess.run(self.init) #启动会话

def iteration(self):

self.loss_list = [] #初始化空列表，用于记录每轮训练后的损失值

#进行迭代训练

for epoch in range(self.train_epochs):

self.loss_sum = 0.0 #每轮损失函数的总和

for xs,ys in zip(self.x_data,self.y_data):

xs = xs.reshape(1,12) #重塑维度

ys = ys.reshape(1,1)

_,self.loss = self.sess.run([self.optimizer,self.loss_function],feed_dict={self.x:xs,self.y:ys})

self.loss_sum = self.loss_sum + self.loss

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余2页未读，立即下载

评论0

weixin_38622475

粉丝: 0
资源: 913

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈