用Pytorch搭建一个房价预测模型

avatar
作者
筋斗云
阅读量:0

本文参加新星计划人工智能(Pytorch)赛道:https://bbs.csdn.net/topics/613989052

目录

一、项目介绍

二、准备工作

三、实验过程

3.1数据预处理

3.2拆分数据集

3.3构建PyTorch模型

3.3.1.数据转换

3.3.2定义模型架构

3.3.3定义损失准则和优化器

3.3.4创建数据加载器

3.3.5训练模型

四、原理讲解

五、补充


一、项目介绍

        在此项目中,目的是预测爱荷华州Ames的房价,给定81个特征,描述了房子、面积、土地、基础设施、公共设施等。埃姆斯数据集具有分类和连续特征的良好组合,大小适中,也许最重要的是,它不像其他类似的数据集(如波士顿住房)那样存在潜在的红线或数据输入问题。在这里我将主要讨论PyTorch建模的相关方面,作为一点额外的内容,我还将演示PyTorch中开发的模型的神经元重要性。你可以在PyTorch中尝试不同的网络架构或模型类型。本项目中的重点是方法论,而不是详尽地寻找最佳解决方案。

二、准备工作

为了准备这个项目,我们首先需要下载数据,并通过以下步骤进行一些预处理。

from sklearn.datasets import fetch_openml data = fetch_openml(data_id=42165, as_frame=True)

关于该数据集的完整描述,你可以去该网址查看:https://www.openml.org/d/42165。

查看数据特征

import pandas as pd data_ames = pd.DataFrame(data.data, columns=data.feature_names) data_ames['SalePrice'] = data.target data_ames.info()

下面是DataFrame的信息

<class 'pandas.core.frame.DataFrame'> RangeIndex: 1460 entries, 0 to 1459 Data columns (total 81 columns): Id               1460 non-null float64 MSSubClass       1460 non-null float64 MSZoning         1460 non-null object LotFrontage      1201 non-null float64 LotArea          1460 non-null float64 Street           1460 non-null object Alley            91 non-null object LotShape         1460 non-null object LandContour      1460 non-null object Utilities        1460 non-null object LotConfig        1460 non-null object LandSlope        1460 non-null object Neighborhood     1460 non-null object Condition1       1460 non-null object Condition2       1460 non-null object BldgType         1460 non-null object HouseStyle       1460 non-null object OverallQual      1460 non-null float64 OverallCond      1460 non-null float64 YearBuilt        1460 non-null float64 YearRemodAdd     1460 non-null float64 RoofStyle        1460 non-null object RoofMatl         1460 non-null object Exterior1st      1460 non-null object Exterior2nd      1460 non-null object MasVnrType       1452 non-null object MasVnrArea       1452 non-null float64 ExterQual        1460 non-null object ExterCond        1460 non-null object Foundation       1460 non-null object BsmtQual         1423 non-null object BsmtCond         1423 non-null object BsmtExposure     1422 non-null object BsmtFinType1     1423 non-null object BsmtFinSF1       1460 non-null float64 BsmtFinType2     1422 non-null object BsmtFinSF2       1460 non-null float64 BsmtUnfSF        1460 non-null float64 TotalBsmtSF      1460 non-null float64 Heating          1460 non-null object HeatingQC        1460 non-null object CentralAir       1460 non-null object Electrical       1459 non-null object 1stFlrSF         1460 non-null float64 2ndFlrSF         1460 non-null float64 LowQualFinSF     1460 non-null float64 GrLivArea        1460 non-null float64 BsmtFullBath     1460 non-null float64 BsmtHalfBath     1460 non-null float64 FullBath         1460 non-null float64 HalfBath         1460 non-null float64 BedroomAbvGr     1460 non-null float64 KitchenAbvGr     1460 non-null float64 KitchenQual      1460 non-null object TotRmsAbvGrd     1460 non-null float64 Functional       1460 non-null object Fireplaces       1460 non-null float64 FireplaceQu      770 non-null object GarageType       1379 non-null object GarageYrBlt      1379 non-null float64 GarageFinish     1379 non-null object GarageCars       1460 non-null float64 GarageArea       1460 non-null float64 GarageQual       1379 non-null object GarageCond       1379 non-null object PavedDrive       1460 non-null object WoodDeckSF       1460 non-null float64 OpenPorchSF      1460 non-null float64 EnclosedPorch    1460 non-null float64 3SsnPorch        1460 non-null float64 ScreenPorch      1460 non-null float64 PoolArea         1460 non-null float64 PoolQC           7 non-null object Fence            281 non-null object MiscFeature      54 non-null object MiscVal          1460 non-null float64 MoSold           1460 non-null float64 YrSold           1460 non-null float64 SaleType         1460 non-null object SaleCondition    1460 non-null object SalePrice        1460 non-null float64 dtypes: float64(38), object(43) memory usage: 924.0+ KB

接下来,我们还将使用一个库,即 captum,它可以检查 PyTorch 模型的特征和神经元重要性。

pip install captum

 在做完这些准备工作后,我们来看看如何预测房价。

三、实验过程

3.1数据预处理

        在这里,首先要进行数据缩放处理,因为所有的变量都有不同的尺度。分类变量需要转换为数值类型,以便将它们输入到我们的模型中。我们可以选择一热编码,即我们为每个分类因子创建哑变量,或者是序数编码,即我们对所有因子进行编号,并用这些数字替换字符串。我们可以像其他浮动变量一样将虚拟变量送入,而序数编码则需要使用嵌入,即线性神经网络投影,在多维空间中对类别进行重新排序。我们在这里采取嵌入的方式。

import numpy as np from category_encoders.ordinal import OrdinalEncoder from sklearn.preprocessing import StandardScaler  num_cols = list(data_ames.select_dtypes(include='float')) cat_cols = list(data_ames.select_dtypes(include='object'))  ordinal_encoder = OrdinalEncoder().fit(     data_ames[cat_cols] ) standard_scaler = StandardScaler().fit(     data_ames[num_cols] )  X = pd.DataFrame(     data=np.column_stack([         ordinal_encoder.transform(data_ames[cat_cols]),         standard_scaler.transform(data_ames[num_cols])     ]),     columns=cat_cols + num_cols ) 

3.2拆分数据集

       在构建模型之前,我们需要将数据拆分为训练集和测试集。在这里,我们添加了一个数值变量的分层。这可以确保不同的部分(其中五个)在训练集和测试集中都以同等的数量包含。

np.random.seed(12)   from sklearn.model_selection import train_test_split  bins = 5 sale_price_bins = pd.qcut(     X['SalePrice'], q=bins, labels=list(range(bins)) ) X_train, X_test, y_train, y_test = train_test_split(     X.drop(columns='SalePrice'),     X['SalePrice'],     random_state=12,     stratify=sale_price_bins )

3.3构建PyTorch模型

        接下来开始建立我们的PyTorch模型。我们将使用PyTorch实现一个具有批量输入的神经网络回归,具体将涉及以下步骤。

  • 1. 将数据转换为Torch tensors
  • 2. 定义模型结构
  • 3. 定义损失标准和优化器。
  • 4. 创建一个批次的数据加载器
  • 5. 跑步训练

3.3.1.数据转换

首先将数据转换为torch tensors

from torch.autograd import Variable   num_features = list(     set(num_cols) - set(['SalePrice', 'Id']) ) X_train_num_pt = Variable(     torch.cuda.FloatTensor(         X_train[num_features].values     ) ) X_train_cat_pt = Variable(     torch.cuda.LongTensor(         X_train[cat_cols].values     ) ) y_train_pt = Variable(     torch.cuda.FloatTensor(y_train.values) ).view(-1, 1) X_test_num_pt = Variable(     torch.cuda.FloatTensor(         X_test[num_features].values     ) ) X_test_cat_pt = Variable(    torch.cuda.LongTensor(         X_test[cat_cols].values     ).long() ) y_test_pt = Variable(     torch.cuda.FloatTensor(y_test.values) ).view(-1, 1)

        这可以确保我们将数字和分类数据加载到单独的变量中,类似于NumPy。如果你把数据类型混合在一个变量(数组/矩阵)中,它们就会变成对象。我们希望把数值变量弄成浮点数,把分类变量弄成长(或int),索引我们的类别。我们还将训练集和测试集分开。显然,一个ID变量在模型中不应该是重要的。在最坏的情况下,如果ID与目标有任何相关性,它可能会引入目标泄漏。我们已经把它从这一步的处理中删除了。

3.3.2定义模型架构

class RegressionModel(torch.nn.Module):         def __init__(self, X, num_cols, cat_cols, device=torch.device('cuda'), embed_dim=2, hidden_layer_dim=2, p=0.5):          super(RegressionModel, self).__init__()          self.num_cols = num_cols         self.cat_cols = cat_cols         self.embed_dim = embed_dim         self.hidden_layer_dim = hidden_layer_dim                  self.embeddings = [             torch.nn.Embedding(                 num_embeddings=len(X[col].unique()),                 embedding_dim=embed_dim             ).to(device)             for col in cat_cols         ]         hidden_dim = len(num_cols) + len(cat_cols) * embed_dim,                  # hidden layer         self.hidden = torch.nn.Linear(torch.IntTensor(hidden_dim), hidden_layer_dim).to(device)         self.dropout_layer = torch.nn.Dropout(p=p).to(device)         self.hidden_act = torch.nn.ReLU().to(device)                  # output layer         self.output = torch.nn.Linear(hidden_layer_dim, 1).to(device)          def forward(self, num_inputs, cat_inputs):         '''Forward method with two input variables -         numeric and categorical.         '''         cat_x = [             torch.squeeze(embed(cat_inputs[:, i] - 1))             for i, embed in enumerate(self.embeddings)         ]         x = torch.cat(cat_x + [num_inputs], dim=1)         x = self.hidden(x)         x = self.dropout_layer(x)         x = self.hidden_act(x)         y_pred = self.output(x)         return y_pred  house_model = RegressionModel(     data_ames, num_features, cat_cols )

        我们在两个线性层(上的激活函数是整流线性单元激活(ReLU)函数。这里需要注意的是,我们不可能将相同的架构(很容易)封装成一个顺序模型,因为分类和数值类型上发生的操作不同。

3.3.3定义损失准则和优化器

        接下来,定义损失准则和优化器。我们将均方误差(MSE)作为损失,随机梯度下降作为我们的优化算法。

criterion = torch.nn.MSELoss().to(device) optimizer = torch.optim.SGD(house_model.parameters(), lr=0.001)

3.3.4创建数据加载器

现在,创建一个数据加载器,每次输入一批数据。

data_batch = torch.utils.data.TensorDataset(     X_train_num_pt, X_train_cat_pt, y_train_pt ) dataloader = torch.utils.data.DataLoader(     data_batch, batch_size=10, shuffle=True )

我们设置了10个批次的大小,接下来我们可以进行训练了。

3.3.5.训练模型

       基本上,我们要在epoch上循环,在每个epoch内推理出性能,计算出误差,优化器根据误差进行调整。这是在没有训练的内循环的情况下,在epochs上的循环。

from tqdm.notebook import trange  train_losses, test_losses = [], [] n_epochs = 30 for epoch in trange(n_epochs):     train_loss, test_loss = 0, 0        # print the errors in training and test:     if epoch % 10 == 0 :         print(             'Epoch: {}/{}\t'.format(epoch, 1000),             'Training Loss: {:.3f}\t'.format(                 train_loss / len(dataloader)             ),             'Test Loss: {:.3f}'.format(                 test_loss / len(dataloader)             )         )

 训练是在这个循环里面对所有批次的训练数据进行的。

for (x_train_num_batch,x_train_cat_batch,y_train_batch) in dataloader:         (x_train_num_batch,x_train_cat_batch, y_train_batch) = (                 x_train_num_batch.to(device),                 x_train_cat_batch.to(device),                 y_train_batch.to(device))         pred_ytrain = house_model.forward(x_train_num_batch, x_train_cat_batch)         loss = torch.sqrt(criterion(pred_ytrain, y_train_batch))           optimizer.zero_grad()          loss.backward()          optimizer.step()         train_loss += loss.item()         with torch.no_grad():             house_model.eval()             pred_ytest = house_model.forward(X_test_num_pt, X_test_cat_pt)             test_loss += torch.sqrt(criterion(pred_ytest, y_test_pt))          train_losses.append(train_loss / len(dataloader))         test_losses.append(test_loss / len(dataloader))

训练结果如下:

我们取 nn.MSELoss 的平方根,因为 PyTorch 中 nn.MSELoss 的定义如下:

((input-target)**2).mean()

绘制一下我们的模型在训练期间对训练和验证数据集的表现。

plt.plot(     np.array(train_losses).reshape((n_epochs, -1)).mean(axis=1),     label='Training loss' ) plt.plot(     np.array(test_losses).reshape((n_epochs, -1)).mean(axis=1),     label='Validation loss' ) plt.legend(frameon=False) plt.xlabel('epochs') plt.ylabel('MSE')

        在我们的验证损失停止下降之前,我们及时停止了训练。我们还可以对目标变量进行排序和bin,并将预测结果与之对比绘制,以便了解模型在整个房价范围内的表现。这是为了避免回归中的情况,尤其是用MSE作为损失,即你只对一个中值范围的预测很好,接近平均值,但对其他任何东西都做得不好。

        我们可以看到,事实上,这个模型在整个房价范围内的预测非常接近。事实上,我们得到的Spearman秩相关度约为93%,具有非常高的显著性,这证实了这个模型的表现具有很高的准确性。

四、原理讲解

        深度学习神经网络框架使用不同的优化算法。其中流行的有随机梯度下降(SGD)、均方根推进(RMSProp)和自适应矩估计(ADAM)。我们定义了随机梯度下降作为我们的优化算法。另外,我们还可以定义其他优化器。

opt_SGD = torch.optim.SGD(net_SGD.parameters(), lr=LR) opt_Momentum = torch.optim.SGD(net_Momentum.parameters(), lr=LR, momentum=0.6) opt_RMSprop = torch.optim.RMSprop(net_RMSprop.parameters(), lr=LR, alpha=0.1) opt_Adam = torch.optim.Adam(net_Adam.parameters(), lr=LR, betas=(0.8, 0.98))

        SGD的工作原理与梯度下降相同,只是它每次只在一个例子上工作。有趣的是,收敛性与梯度下降相似,并且更容易占用计算机内存。

        RMSProp的工作原理是根据梯度符号来调整算法的学习率。最简单的变体是检查最后两个梯度符号,然后调整学习率,如果它们相同,则增加一个分数,如果它们不同,则减少一个分数。

        ADAM是最流行的优化器之一。它是一种自适应学习算法,根据梯度的第一和第二时刻改变学习率。

        Captum是一个工具,可以帮助我们了解在数据集上学习的神经网络模型的来龙去脉。它可以帮助我们学习以下内容。

  • 特征重要性

  • 层级重要性

  • 神经元的重要性

        这在学习可解释的神经网络中是非常重要的。在这里,综合梯度已经被应用于理解特征重要性。之后,还用层传导法来证明神经元的重要性。

五、补充

        既然我们已经定义并训练了我们的神经网络,那么让我们使用 captum 库找到重要的特征和神经元。

from captum.attr import (     IntegratedGradients,     LayerConductance,     NeuronConductance ) house_model.cpu() for embedding in house_model.embeddings:     embedding.cpu()  house_model.cpu() ing_house = IntegratedGradients(forward_func=house_model.forward, ) #X_test_cat_pt.requires_grad_() X_test_num_pt.requires_grad_() attr, delta = ing_house.attribute(  X_test_num_pt.cpu(),  target=None,  return_convergence_delta=True,  additional_forward_args=X_test_cat_pt.cpu() ) attr = attr.detach().numpy()

 现在,我们有了一个NumPy的特征重要性数组。层和神经元的重要性也可以用这个工具获得。让我们来看看我们第一层的神经元importances。我们可以传递house_model.act1,这是第一层线性层上面的ReLU激活函数。

cond_layer1 = LayerConductance(house_model, house_model.act1) cond_vals = cond_layer1.attribute(X_test, target=None) cond_vals = cond_vals.detach().numpy() df_neuron = pd.DataFrame(data = np.mean(cond_vals, axis=0), columns=['Neuron Importance']) df_neuron['Neuron'] = range(10)

这张图显示了神经元的重要性。显然,一个神经元就是不重要的。我们还可以通过对之前得到的NumPy数组进行排序,看到最重要的变量。

df_feat = pd.DataFrame(np.mean(attr, axis=0), columns=['feature importance'] ) df_feat['features'] = num_features df_feat.sort_values(     by='feature importance', ascending=False ).head(10)

 这里列出了10个最重要的变量

        通常情况下,特征导入可以帮助我们既理解模型,又修剪我们的模型,使其变得不那么复杂(希望减少过度拟合)。

广告一刻

为您即时展示最新活动产品广告消息,让您随时掌握产品活动新动态!