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python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
#打乱数据顺序
self.x_data,self.y_data = shuffle(self.x_data,self.y_data)
self.b0temp = self.b.eval(session = self.sess)
self.w0temp = self.w.eval(session = self.sess)
self.loss_average = self.loss_sum/len(self.y_data) #平均损失率
self.loss_list.append(self.loss_average) #每轮添加一次
#打印每轮训练的信息
print("epoch={0:<5}loss={1:<15.7f}b={2:<15.7f}".format(epoch+1,self.loss_average,self.b0temp))
print("w=")
print(self.w0temp)
print("\n")
print("每次训练的平均损失值为：")
print(self.loss_list)
def test(self):
for i in range(3):
self.n = np.random.randint(506)
print("\n")
print("您当前随机抽取的是第{}条数据".format(self.n))
self.x_test = self.x_data[self.n]
self.x_test = self.x_test.reshape(1,12)
self.predict = self.sess.run(self.pred,feed_dict={self.x:self.x_test})
print("预测值：%f"% self.predict)
self.target = self.y_data[self.n]
print("标签值：%f"% self.target)
route = r"D:\data\boston.csv"
train_epochs = eval(input("请输入您要进行迭代的次数：")) #迭代次数
learning_rate = float(input("请输入你要调整的学习率：")) #学习率
T = Train(route) #创建类Train对象T
T.Standard() #对特征数据进行归一化
T.Matrix() #模型定义与定义模型函数
T.LossFunction(train_epochs,learning_rate) #定义损失函数
T.iteration() #进行迭代训练
T.test() #随机确定三条数据测试效果
训练效果截图：
作者：Darlen、阳仔
