回归问题的深层神经网络

众所周知，神经网络可用于解决分类问题，例如，它们被用于手写体数字分类，但问题是，如果我们将它们用于回归问题，它会有效果吗？

在本文中，我将使用一个深层次的神经网络来预测房屋价格（使用一个来自Kaggle的数据集）。

你可以从这里下载。

我建议你跟着我一起使用notebook在GoogleCoLab上运行代码。【here】

内容：

1- Process the dataset 2- Make the deep neural network 3- Train the DNN 4- Test the DNN 5- Compare the result from the DNN to another ML algorithm

首先，我们将导入所需的依赖项：

第一：处理数据集

我们不会深入处理数据集，我们所要做的就是将数据集输入到我们的模型中。

我们将去掉任何缺少值的特性，然后对分类特性进行编码。

加载数据集：

· 将训练和测试数据加载到pandas数据框架中

· 将训练和测试数据结合在一起进行处理。

combined.describe()

让我们定义一个函数来获取不缺少任何值的列。

让我们看看我们有多少列：

[out]: Number of numerical columns with no nan values : 25 Number of nun-numerical columns with no nan values : 20

特征之间的相关性

从上述相关热图可以看出，约有15个特征与目标高度相关。

一个热门编码的分类特征：

我们将使用一个热编码对分类特性进行编码。

[out]: There were 45 columns before encoding categorical features There are 149 columns after encoding categorical features

现在，将组合数据框架拆分回训练数据和测试数据

第二：构建深层神经网络

· 定义顺序模型

· 增加一些致密的层

· 使用‘relu‘作为隐藏层的激活函数

· 用‘normal‘初始化器为核初始化器

Initializers define the way to set the initial random weights of Keras layers.

· 我们将使用均值绝对误差作为损失函数。

· 定义只有一个节点的输出层

· 使用‘linear‘作为输出层的激活函数

[Out]: _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= dense_1 (Dense) (None, 128) 19200 _________________________________________________________________ dense_2 (Dense) (None, 256) 33024 _________________________________________________________________ dense_3 (Dense) (None, 256) 65792 _________________________________________________________________ dense_4 (Dense) (None, 256) 65792 _________________________________________________________________ dense_5 (Dense) (None, 1) 257 ================================================================= Total params: 184,065 Trainable params: 184,065 Non-trainable params: 0 _________________________________________________________________

定义检查点回调：

第三：训练模式：

[out]: Train on 1168 samples, validate on 292 samples Epoch 1/500 1168/1168 [==============================] - 0s 266us/step - loss: 19251.8903 - mean_absolute_error: 19251.8903 - val_loss: 23041.8968 - val_mean_absolute_error: 23041.8968 Epoch 00001: val_loss did not improve from 21730.93555 Epoch 2/500 1168/1168 [==============================] - 0s 268us/step - loss: 18180.4985 - mean_absolute_error: 18180.4985 - val_loss: 22197.7991 - val_mean_absolute_error: 22197.7991 Epoch 00002: val_loss did not improve from 21730.93555 . . . Epoch 00500: val_loss did not improve from 18738.19831

<keras.callbacks.History at 0x7f4324aa80b8>

We see that the validation loss of the best model is 18738.19