李宏毅机器学习课程笔记-2.5线性回归Python实战

本文为作者学习李宏毅机器学习课程时参照样例完成homework1的记录。

关注我的公众号：臭咸鱼，回复LHY可获取课程PPT、数据、笔记和代码下载链接。

代码仓库：chouxianyu/LHY_ML2020_Codes，里面除了代码还有数据、PPT、笔记等资源喔~

• 任务描述（Task Description）

  现在有某地空气质量的观测数据，请使用线性回归拟合数据，预测PM2.5。

• 数据集描述（Dataset Description）

  • train.csv

    该文件中是2014年每月前20天每小时的观察数据，每小时的数据是18个维度的（其中之一是PM2.5）。

  • test.csv

    该文件中包含240组数据，每组数据是连续9个小时的所有观测数据（同样是18个维度）。

    请预测每组数据对应的第10个小时的PM2.5数值。

• 结果格式

  要求上交结果的格式为CSV文件。

  第一行必须是id,value。

  从第二行开始每行分别为id值及预测的PM2.5数值，两者用逗号间隔

• 总结

  • 数据处理
    • 将数据处理、转换成什么形式，要根据数据集格式、任务来确定。
    • 要熟练掌握pandas、numpy等数据处理工具，特别是要知道它们能实现什么功能。

• 参考链接

  https://colab.research.google.com/drive/131sSqmrmWXfjFZ3jWSELl8cm0Ox5ah3C

• Python代码

  import pandas as pd
  import numpy as np
  import csv
  
  ## 读取数据
  data = pd.read_csv('./train.csv', encoding = 'big5') # 读取训练集
  # print(data.describe())
  
  ## 数据预处理
  data = data.iloc[:, 3:] # 不需要使用前三列的表头，所以删除
  data[data == 'NR'] = 0 # 将非数值NR改为0
  raw_data = data.to_numpy() # pandas转numpy数组，形状是4320(=18*20*12)*24
  # print(raw_data.shape)
  
  ## 修改数据格式
  # 数据格式为12(month)*18(features)*480(=24*20hours)，即12个月、每个月有480小时的数据（18维）
  month_data = {} # 字典
  for month in range(12):
      sample = np.empty([18, 480])
      for day in range(20):
          sample[ : , 24 * day : 24 * (day + 1)] = raw_data[(month * 20 + day) * 18 : (month * 20 + day + 1) * 18, : ]
      month_data[month] = sample
  
  ## 修改数据格式
  # 数据格式为每个月有连续的480个小时，每10个小时形成1个object，每个月就有471个object，12个月就有471*12个oeject，每个object包括x(18*9的featrues)和y(1个PM2.5数值)。
  x = np.empty([471*12, 18*9], dtype=float) # 471*12行，一行是一个object的x
  y = np.empty([471*12, 1], dtype=float) # 471*12行，一行是一个object的y
  for month in range(12):
      for day in range(20):
          for hour in range(24):
              if day == 19 and hour > 14: # 最后一个10小时从第20天14小时开始，防止越界
                  continue
              x[month * 471 + day * 24 + hour, :] = month_data[month][:,day * 24 + hour : day * 24 + hour + 9].reshape(1, -1) # reshape时的(1, -1)指：1行、列数自动计算
              y[month * 471 + day * 24 + hour, 0] = month_data[month][9, day * 24 + hour + 9] # 取对应的第10个小时的PM2.5的值
  # print(x, y)
  
  ## 标准化
  #关于标准化，可以看这篇文章https://www.cnblogs.com/chouxianyu/p/13872444.html
  mean_x = np.mean(x, axis=0) # 平均值，axis=0指沿着列计算平均值，即计算每列的平均值
  std_x = np.std(x, axis=0) # 标准差，axis=0指沿着列计算平均值，即计算每列的标准差
  # print(mean_x.shape, std_x.shape)
  for i in range(len(x)):
      for j in range(len(x[0])):
          if std_x[j] != 0:
              x[i][j] = (x[i][j] - mean_x[j]) / std_x[j]
  
  ## 训练
  dim = 18 * 9 + 1 # 这个+1是为了保存偏置
  w = np.zeros([dim, 1])
  x = np.concatenate((np.ones([471 * 12, 1]), x), axis=1).astype(float) # axis=1表示将两个数组按行拼接，向x中添加1是为了让其与weight中的偏置相乘
  learning_rate = 100 # 学习率
  iter_time = 1000 # 迭代次数
  adagrad = np.zeros([dim, 1])
  eps = 1e-10  # eps是避免Adagrad分母为0而加的
  for t in range(iter_time):
      loss = np.sqrt(np.sum(np.power(np.dot(x, w) - y, 2)) / 471 / 12) # RMSE
      if (t % 100 == 0):
          print(t, loss)
      gradient = 2 * np.dot(x.transpose(), np.dot(x, w) - y) # dim*1
      adagrad += gradient ** 2
      w -= learning_rate * gradient / np.sqrt(adagrad + eps)
  np.save('weight.npy', w)
  print('Training Done')
  
  ## 测试
  # 读取数据
  test_data = pd.read_csv('./test.csv',header=None, encoding='big5')
  test_data = test_data.iloc[ : , 2:] # 去除表头（前两列）
  test_data[test_data == 'NR'] = 0
  test_data = test_data.to_numpy()
  test_x = np.empty([240, 18 * 9]) # 240个object，一行是一个object的x
  # 修改数据格式
  for i in range(240):
      test_x[i, :] = test_data[i * 18 : (i + 1) * 18, : ].reshape(1, -1) # 格式和训练集一样
  # 标准化
  for i in range(len(test_x)):
      for j in range(len(test_x[0])):
          if std_x[j] != 0:
              test_x[i, j] = (test_x[i, j] - mean_x[j]) / std_x[j]
  test_x = np.concatenate((np.ones([240, 1]), test_x), axis=1).astype(float) # axis=1表示将两个数组按行拼接，向x中添加1是为了让其与weight中的偏置相乘
  
  ## 预测
  w = np.load('weight.npy')
  ans_y = np.dot(test_x, w)
  # print('ans_y.shape', ans_y.shape)
  with open('answer.csv', mode='w', newline='') as answer_file:
      csv_writer = csv.writer(answer_file)
      csv_writer.writerow(['id', 'value'])
      for i in range(240):
          row = ['id_' + str(i), ans_y[i][0]]
          csv_writer.writerow(row)
          # print(row)
  

---

Github（github.com）：@chouxianyu

Github Pages（github.io）：@臭咸鱼

知乎（zhihu.com）：@臭咸鱼

博客园（cnblogs.com）：@臭咸鱼

B站（bilibili.com）：@绝版臭咸鱼

微信公众号：@臭咸鱼的快乐生活

转载请注明出处，欢迎讨论和交流!

---