3.16 实战Kaggle比赛：房价预测

实战Kaggle比赛：房价预测

读取数据集

两个数据集都包括每栋房子的特征，如街道类型、建造年份、房顶类型、地下室状况等特征值。这些特征值有连续的数字、离散的标签甚至是缺失值“na”。只有训练数据集包括了每栋房子的价格，也就是标签。
下面使用pandas读取这两个文件。

#训练数据加载
train_data = pd.read_csv('../data/kaggle_house_pred_train.csv')
#测试数据加载
test_data = pd.read_csv('../data/kaggle_house_pred_test.csv')

查看前4个样本的前4个特征、后2个特征和标签(SalePrice)

以下标索引选择位置
Purely integer-location based indexing for selection by position.
train_data.iloc[0:4, [0, 1, 2, 3, -3, -2, -1]]

可以看到第一个特征是Id，它能帮助模型记住每个训练样本，但难以推广到测试样本,将所有的训练数据和测试数据的79个特征按样本连结。

#pd.concat:Concatenate pandas objects along a particular axis with optional set logic along the other axes.
#这里默认是竖着链接，也就是将train_data除了labels和test_data链接在了一起
all_features = pd.concat((train_data.iloc[:, 1:-1], test_data.iloc[:, 1:]))
shape(2919, 79)

预处理数据集

对连续数值的特征做标准化（standardization）：设该特征在整个数据集上的均值为\(\mu\)，标准差为\(\sigma\)。那么，我们可以将该特征的每个值先减去\(\mu\)再除以\(\sigma\)得到标准化后的每个特征值。对于缺失的特征值，我们将其替换成该特征的均值。
pandas的数据类型是object类型属于文本(str)或数字混合类型(mixed)。

#将特征是数字的列滤出
numeric_features = all_features.dtypes[all_features.dtypes != 'object'].index
#对于每个特征是数字的列每个值先减去$\mu$再除以$\sigma$得到标准化后的每个特征值
all_features[numeric_features] = all_features[numeric_features].apply(
    lambda x: (x - x.mean()) / (x.std()))
# 标准化后，每个特征的均值变为0，所以可以直接用0来替换缺失值
#pandas.DataFrame.fillna：Fill NA/NaN values using the specified method 将NA/NaN缺失的特征值填充0
all_features[numeric_features] = all_features[numeric_features].fillna(0)

将离散数值转成指示特征:
举个例子，假设特征MSZoning里面有两个不同的离散值RL和RM，那么这一步转换将去掉MSZoning特征，并新加两个特征MSZoning_RL和MSZoning_RM，其值为0或1。如果一个样本原来在MSZoning里的值为RL，那么有MSZoning_RL=1且MSZoning_RM=0。

# dummy_na=True将缺失值也当作合法的特征值并为其创建指示特征
# help(pd.get_dummies): Convert categorical variable into dummy/indicator variables
#dummy_na是True就是如果当前列的特征值有NaN,也算作列的一个特征
all_features = pd.get_dummies(all_features, dummy_na=True)
all_features.shape

通过values属性得到NumPy格式的数据，并转成NDArray方便后面的训练。

#训练集个数：1460
n_train = train_data.shape[0]
#训练特征
train_features = nd.array(all_features[:n_train].values)
#测试特征
test_features = nd.array(all_features[n_train:].values)
#训练标签 将shape=(1460,)转成shape=(1460,1)
train_labels = nd.array(train_data.SalePrice.values).reshape((-1, 1))

训练模型

使用一个基本的线性回归模型和平方损失函数来训练模型

#声明平方损失函数
loss = gloss.L2Loss()

def get_net():
    #实例化nn
    net = nn.Sequential()
    #添加输出层
    net.add(nn.Dense(1))
    #权重初始化
    net.initialize()
    #返回实例
    return net

定义比赛用来评价模型的对数均方根误差。给定预测值\(\hat y_1, \ldots, \hat y_n\)和对应的真实标签\(y_1,\ldots, y_n\)，它的定义为

\[\sqrt{\frac{1}{n}\sum_{i=1}^n\left(\log(y_i)-\log(\hat y_i)\right)^2}. \]

对数均方根误差的实现如下：

def log_rmse(net, features, labels):
    # 将小于1的值设成1，使得取对数时数值更稳定
    clipped_preds = nd.clip(net(features), 1, float('inf'))
    rmse = nd.sqrt(2 * loss(clipped_preds.log(), labels.log()).mean())
    return rmse.asscalar()

def train(net, train_features, train_labels, test_features, test_labels,
          num_epochs, learning_rate, weight_decay, batch_size):
    #训练损失，测试损失
    train_ls, test_ls = [], []
    #加载数据
    train_iter = gdata.DataLoader(gdata.ArrayDataset(
        train_features, train_labels), batch_size, shuffle=True)
    # 这里使用了Adam优化算法
    trainer = gluon.Trainer(net.collect_params(), 'adam', {
        'learning_rate': learning_rate, 'wd': weight_decay})
    #进行迭代
    for epoch in range(num_epochs):
        #取出小批次的特征和标签
        for X, y in train_iter:
            with autograd.record():
                #计算损失
                l = loss(net(X), y)
            l.backward()
            #反向迭代
            trainer.step(batch_size)
        #加入训练误差
        train_ls.append(log_rmse(net, train_features, train_labels))
        if test_labels is not None:
            #加入测试误差
            test_ls.append(log_rmse(net, test_features, test_labels))
    return train_ls, test_ls

\(k\) 折交叉验证

它返回第i折交叉验证时所需要的训练和验证数据。

def get_k_fold_data(k, i, X, y):
    #k不能小于等于1
    assert k > 1
    #划分的k个集合每个集合的元素数
    fold_size = X.shape[0] // k
    #初始化X_train,y_train
    X_train, y_train = None, None
    #循环k个集合
    for j in range(k):
        #slice() 函数实现切片对象，返回的是一个切片对象 class slice(start, stop[, step])
        #idx就是返回的第j个集合切片对象，start:j * fold_size,end:(j + 1) * fold_size
        idx = slice(j * fold_size, (j + 1) * fold_size)
        #选择属于第j个集合的特征，选择第j个集合的标签
        X_part, y_part = X[idx, :], y[idx]
        #如果当前的集合是第i折交叉验证，就将当前的集合当作验证模型
        if j == i:
            X_valid, y_valid = X_part, y_part
        #如果是第一次访问到其余k-1的子集合，就直接赋值
        elif X_train is None:
            X_train, y_train = X_part, y_part
        #如果之后访问到k-1子集合，就使用concat链接
        else:
            X_train = nd.concat(X_train, X_part, dim=0)
            y_train = nd.concat(y_train, y_part, dim=0)
    #依次返回k-1集合训练模型，第i个验证模型
    return X_train, y_train, X_valid, y_valid

在\(k\)折交叉验证中我们训练\(k\)次并返回训练和验证的平均误差。

def k_fold(k, X_train, y_train, num_epochs,
           learning_rate, weight_decay, batch_size):
    #初始化训练集损失和，验证集损失和
    train_l_sum, valid_l_sum = 0, 0
    #循环k次
    for i in range(k):
        #获得第i折数据
        data = get_k_fold_data(k, i, X_train, y_train)
        #得到net实例
        net = get_net()
        #计算出训练集损失，验证集损失
        train_ls, valid_ls = train(net, *data, num_epochs, learning_rate,
                                   weight_decay, batch_size)
        #计算训练集损失和
        train_l_sum += train_ls[-1]
        #计算验证集损失和
        valid_l_sum += valid_ls[-1]
        #画图
        if i == 0:
            d2l.semilogy(range(1, num_epochs + 1), train_ls, 'epochs', 'rmse',
                         range(1, num_epochs + 1), valid_ls,
                         ['train', 'valid'])
        print('fold %d, train rmse %f, valid rmse %f'
              % (i, train_ls[-1], valid_ls[-1]))
    #返回训练集损失平均值，验证集损失平均值
    return train_l_sum / k, valid_l_sum / k

预测并在Kaggle提交结果

def train_and_pred(train_features, test_features, train_labels, test_data,
                   num_epochs, lr, weight_decay, batch_size):
    #获得net实例
    net = get_net()
    #返回训练集损失
    train_ls, _ = train(net, train_features, train_labels, None, None,
                        num_epochs, lr, weight_decay, batch_size)
    #画图
    d2l.semilogy(range(1, num_epochs + 1), train_ls, 'epochs', 'rmse')
    print('train rmse %f' % train_ls[-1])
    #计算预测标签，preds.shape=(1459,1)
    preds = net(test_features).asnumpy()
    #增加一列SalePrice，方便记录,preds.reshape(1,-1).shape = (1,1459)
    test_data['SalePrice'] = pd.Series(preds.reshape(1, -1)[0])
    #测试集的Id和预测结果拼接在一起
    submission = pd.concat([test_data['Id'], test_data['SalePrice']], axis=1)
    #转成csv格式提交
    submission.to_csv('submission.csv', index=False)

train_and_pred(train_features, test_features, train_labels, test_data,
               num_epochs, lr, weight_decay, batch_size)