|
|
# 3.16 实战Kaggle比赛：房价预测
|
|
|
|
|
|
作为深度学习基础篇章的总结，我们将对本章内容学以致用。下面，让我们动手实战一个Kaggle比赛：房价预测。本节将提供未经调优的数据的预处理、模型的设计和超参数的选择。我们希望读者通过动手操作、仔细观察实验现象、认真分析实验结果并不断调整方法，得到令自己满意的结果。
|
|
|
|
|
|
## 3.16.1 Kaggle比赛
|
|
|
|
|
|
[Kaggle](https://www.kaggle.com)是一个著名的供机器学习爱好者交流的平台。图3.7展示了Kaggle网站的首页。为了便于提交结果，需要注册Kaggle账号。
|
|
|
|
|
|
<div align=center>
|
|
|
<img width="500" src="../img/chapter03/3.16_kaggle.png"/>
|
|
|
</div>
|
|
|
<div align=center> 图3.7 Kaggle网站首页</div>
|
|
|
|
|
|
我们可以在房价预测比赛的网页上了解比赛信息和参赛者成绩，也可以下载数据集并提交自己的预测结果。该比赛的网页地址是 https://www.kaggle.com/c/house-prices-advanced-regression-techniques 。
|
|
|
|
|
|
|
|
|
<div align=center>
|
|
|
<img width="500" src="../img/chapter03/3.16_house_pricing.png"/>
|
|
|
</div>
|
|
|
<div align=center> 图3.8 房价预测比赛的网页信息。比赛数据集可通过点击“Data”标签获取</div>
|
|
|
图3.8展示了房价预测比赛的网页信息。
|
|
|
|
|
|
## 3.16.2 获取和读取数据集
|
|
|
|
|
|
比赛数据分为训练数据集和测试数据集。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。我们可以访问比赛网页，点击图3.8中的“Data”标签，并下载这些数据集。
|
|
|
|
|
|
我们将通过`pandas`库读入并处理数据。在导入本节需要的包前请确保已安装`pandas`库，否则请参考下面的代码注释。
|
|
|
|
|
|
``` python
|
|
|
# 如果没有安装pandas，则反注释下面一行
|
|
|
# !pip install pandas
|
|
|
|
|
|
%matplotlib inline
|
|
|
import torch
|
|
|
import torch.nn as nn
|
|
|
import numpy as np
|
|
|
import pandas as pd
|
|
|
import sys
|
|
|
sys.path.append("..")
|
|
|
import d2lzh_pytorch as d2l
|
|
|
|
|
|
print(torch.__version__)
|
|
|
torch.set_default_tensor_type(torch.FloatTensor)
|
|
|
```
|
|
|
|
|
|
假设解压后的数据位于`../../data/kaggle_house/`目录，它包括两个csv文件。下面使用`pandas`读取这两个文件。
|
|
|
|
|
|
``` python
|
|
|
train_data = pd.read_csv('../../data/kaggle_house/train.csv')
|
|
|
test_data = pd.read_csv('../../data/kaggle_house/test.csv')
|
|
|
```
|
|
|
|
|
|
训练数据集包括1460个样本、80个特征和1个标签。
|
|
|
|
|
|
``` python
|
|
|
train_data.shape # 输出 (1460, 81)
|
|
|
```
|
|
|
|
|
|
测试数据集包括1459个样本和80个特征。我们需要将测试数据集中每个样本的标签预测出来。
|
|
|
|
|
|
``` python
|
|
|
test_data.shape # 输出 (1459, 80)
|
|
|
```
|
|
|
|
|
|
让我们来查看前4个样本的前4个特征、后2个特征和标签（SalePrice）：
|
|
|
|
|
|
``` python
|
|
|
train_data.iloc[0:4, [0, 1, 2, 3, -3, -2, -1]]
|
|
|
```
|
|
|
<img width="500" src="../img/chapter03/3.16_output1.png"/>
|
|
|
|
|
|
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，所以我们不使用它来训练。我们将所有的训练数据和测试数据的79个特征按样本连结。
|
|
|
|
|
|
``` python
|
|
|
all_features = pd.concat((train_data.iloc[:, 1:-1], test_data.iloc[:, 1:]))
|
|
|
```
|
|
|
|
|
|
## 3.16.3 预处理数据
|
|
|
|
|
|
我们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。
|
|
|
|
|
|
``` python
|
|
|
numeric_features = all_features.dtypes[all_features.dtypes != 'object'].index
|
|
|
all_features[numeric_features] = all_features[numeric_features].apply(
|
|
|
lambda x: (x - x.mean()) / (x.std()))
|
|
|
# 标准化后，每个数值特征的均值变为0，所以可以直接用0来替换缺失值
|
|
|
all_features[numeric_features] = all_features[numeric_features].fillna(0)
|
|
|
```
|
|
|
|
|
|
接下来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。
|
|
|
|
|
|
``` python
|
|
|
# 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
|
|
|
all_features = pd.get_dummies(all_features, dummy_na=True)
|
|
|
all_features.shape # (2919, 331)
|
|
|
```
|
|
|
|
|
|
可以看到这一步转换将特征数从79增加到了331。
|
|
|
|
|
|
最后，通过`values`属性得到NumPy格式的数据，并转成`Tensor`方便后面的训练。
|
|
|
|
|
|
``` python
|
|
|
n_train = train_data.shape[0]
|
|
|
train_features = torch.tensor(all_features[:n_train].values, dtype=torch.float)
|
|
|
test_features = torch.tensor(all_features[n_train:].values, dtype=torch.float)
|
|
|
train_labels = torch.tensor(train_data.SalePrice.values, dtype=torch.float).view(-1, 1)
|
|
|
```
|
|
|
|
|
|
## 3.16.4 训练模型
|
|
|
|
|
|
我们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。
|
|
|
|
|
|
``` python
|
|
|
loss = torch.nn.MSELoss()
|
|
|
|
|
|
def get_net(feature_num):
|
|
|
net = nn.Linear(feature_num, 1)
|
|
|
for param in net.parameters():
|
|
|
nn.init.normal_(param, mean=0, std=0.01)
|
|
|
return net
|
|
|
```
|
|
|
|
|
|
下面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。
|
|
|
|
|
|
``` python
|
|
|
def log_rmse(net, features, labels):
|
|
|
with torch.no_grad():
|
|
|
# 将小于1的值设成1，使得取对数时数值更稳定
|
|
|
clipped_preds = torch.max(net(features), torch.tensor(1.0))
|
|
|
rmse = torch.sqrt(loss(clipped_preds.log(), labels.log()))
|
|
|
return rmse.item()
|
|
|
```
|
|
|
|
|
|
下面的训练函数跟本章中前几节的不同在于使用了Adam优化算法。相对之前使用的小批量随机梯度下降，它对学习率相对不那么敏感。我们将在之后的“优化算法”一章里详细介绍它。
|
|
|
|
|
|
``` python
|
|
|
def train(net, train_features, train_labels, test_features, test_labels,
|
|
|
num_epochs, learning_rate, weight_decay, batch_size):
|
|
|
train_ls, test_ls = [], []
|
|
|
dataset = torch.utils.data.TensorDataset(train_features, train_labels)
|
|
|
train_iter = torch.utils.data.DataLoader(dataset, batch_size, shuffle=True)
|
|
|
# 这里使用了Adam优化算法
|
|
|
optimizer = torch.optim.Adam(params=net.parameters(), lr=learning_rate, weight_decay=weight_decay)
|
|
|
net = net.float()
|
|
|
for epoch in range(num_epochs):
|
|
|
for X, y in train_iter:
|
|
|
l = loss(net(X.float()), y.float())
|
|
|
optimizer.zero_grad()
|
|
|
l.backward()
|
|
|
optimizer.step()
|
|
|
train_ls.append(log_rmse(net, train_features, train_labels))
|
|
|
if test_labels is not None:
|
|
|
test_ls.append(log_rmse(net, test_features, test_labels))
|
|
|
return train_ls, test_ls
|
|
|
```
|
|
|
|
|
|
## 3.16.5 $K$折交叉验证
|
|
|
|
|
|
我们在3.11节（模型选择、欠拟合和过拟合）中介绍了$K$折交叉验证。它将被用来选择模型设计并调节超参数。下面实现了一个函数，它返回第`i`折交叉验证时所需要的训练和验证数据。
|
|
|
|
|
|
``` python
|
|
|
def get_k_fold_data(k, i, X, y):
|
|
|
# 返回第i折交叉验证时所需要的训练和验证数据
|
|
|
assert k > 1
|
|
|
fold_size = X.shape[0] // k
|
|
|
X_train, y_train = None, None
|
|
|
for j in range(k):
|
|
|
idx = slice(j * fold_size, (j + 1) * fold_size)
|
|
|
X_part, y_part = X[idx, :], y[idx]
|
|
|
if j == i:
|
|
|
X_valid, y_valid = X_part, y_part
|
|
|
elif X_train is None:
|
|
|
X_train, y_train = X_part, y_part
|
|
|
else:
|
|
|
X_train = torch.cat((X_train, X_part), dim=0)
|
|
|
y_train = torch.cat((y_train, y_part), dim=0)
|
|
|
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。
|
|
|
|
|
|
``` python
|
|
|
def k_fold(k, X_train, y_train, num_epochs,
|
|
|
learning_rate, weight_decay, batch_size):
|
|
|
train_l_sum, valid_l_sum = 0, 0
|
|
|
for i in range(k):
|
|
|
data = get_k_fold_data(k, i, X_train, y_train)
|
|
|
net = get_net(X_train.shape[1])
|
|
|
train_ls, valid_ls = train(net, *data, num_epochs, learning_rate,
|
|
|
weight_decay, batch_size)
|
|
|
train_l_sum += train_ls[-1]
|
|
|
valid_l_sum += valid_ls[-1]
|
|
|
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]))
|
|
|
return train_l_sum / k, valid_l_sum / k
|
|
|
```
|
|
|
输出：
|
|
|
```
|
|
|
fold 0, train rmse 0.170585, valid rmse 0.156860
|
|
|
fold 1, train rmse 0.162552, valid rmse 0.190944
|
|
|
fold 2, train rmse 0.164199, valid rmse 0.168767
|
|
|
fold 3, train rmse 0.168698, valid rmse 0.154873
|
|
|
fold 4, train rmse 0.163213, valid rmse 0.183080
|
|
|
5-fold validation: avg train rmse 0.165849, avg valid rmse 0.170905
|
|
|
```
|
|
|
<img width="400" src="../img/chapter03/3.16_output2.png"/>
|
|
|
|
|
|
|
|
|
## 3.16.6 模型选择
|
|
|
|
|
|
我们使用一组未经调优的超参数并计算交叉验证误差。可以改动这些超参数来尽可能减小平均测试误差。
|
|
|
|
|
|
``` python
|
|
|
k, num_epochs, lr, weight_decay, batch_size = 5, 100, 5, 0, 64
|
|
|
train_l, valid_l = k_fold(k, train_features, train_labels, num_epochs, lr, weight_decay, batch_size)
|
|
|
print('%d-fold validation: avg train rmse %f, avg valid rmse %f' % (k, train_l, valid_l))
|
|
|
```
|
|
|
|
|
|
有时候你会发现一组参数的训练误差可以达到很低，但是在$K$折交叉验证上的误差可能反而较高。这种现象很可能是由过拟合造成的。因此，当训练误差降低时，我们要观察$K$折交叉验证上的误差是否也相应降低。
|
|
|
|
|
|
## 3.16.7 预测并在Kaggle提交结果
|
|
|
|
|
|
下面定义预测函数。在预测之前，我们会使用完整的训练数据集来重新训练模型，并将预测结果存成提交所需要的格式。
|
|
|
|
|
|
``` python
|
|
|
def train_and_pred(train_features, test_features, train_labels, test_data,
|
|
|
num_epochs, lr, weight_decay, batch_size):
|
|
|
net = get_net(train_features.shape[1])
|
|
|
train_ls, _ = train(net, train_features, train_labels, None, None,
|
|
|
num_epochs, lr, weight_decay, batch_size)
|
|
|
d2l.semilogy(range(1, num_epochs + 1), train_ls, 'epochs', 'rmse')
|
|
|
print('train rmse %f' % train_ls[-1])
|
|
|
preds = net(test_features).detach().numpy()
|
|
|
test_data['SalePrice'] = pd.Series(preds.reshape(1, -1)[0])
|
|
|
submission = pd.concat([test_data['Id'], test_data['SalePrice']], axis=1)
|
|
|
submission.to_csv('./submission.csv', index=False)
|
|
|
```
|
|
|
|
|
|
设计好模型并调好超参数之后，下一步就是对测试数据集上的房屋样本做价格预测。如果我们得到与交叉验证时差不多的训练误差，那么这个结果很可能是理想的，可以在Kaggle上提交结果。
|
|
|
|
|
|
``` python
|
|
|
train_and_pred(train_features, test_features, train_labels, test_data, num_epochs, lr, weight_decay, batch_size)
|
|
|
```
|
|
|
输出：
|
|
|
```
|
|
|
train rmse 0.162085
|
|
|
```
|
|
|
<img width="400" src="../img/chapter03/3.16_output3.png"/>
|
|
|
|
|
|
上述代码执行完之后会生成一个submission.csv文件。这个文件是符合Kaggle比赛要求的提交格式的。这时，我们可以在Kaggle上提交我们预测得出的结果，并且查看与测试数据集上真实房价（标签）的误差。具体来说有以下几个步骤：登录Kaggle网站，访问房价预测比赛网页，并点击右侧“Submit Predictions”或“Late Submission”按钮；然后，点击页面下方“Upload Submission File”图标所在的虚线框选择需要提交的预测结果文件；最后，点击页面最下方的“Make Submission”按钮就可以查看结果了，如图3.9所示。
|
|
|
|
|
|
<div align=center>
|
|
|
<img width="500" src="../img/chapter03/3.16_kaggle_submit.png"/>
|
|
|
</div>
|
|
|
<div align=center> 图3.9 Kaggle预测房价比赛的预测结果提交页面</div>
|
|
|
|
|
|
|
|
|
## 小结
|
|
|
|
|
|
* 通常需要对真实数据做预处理。
|
|
|
* 可以使用$K$折交叉验证来选择模型并调节超参数。
|
|
|
|
|
|
------------
|
|
|
> 注：本节除了代码之外与原书基本相同，[原书传送门](https://zh.d2l.ai/chapter_deep-learning-basics/kaggle-house-price.html) |
