TF之LSTM：基于tensorflow框架对boston房价数据集利用LSTM算法(随机搜索/网格搜索调参)实现房价回归预测案例
目录
基于tensorflow框架对boston房价数据集利用LSTM算法(随机搜索调参)实现房价回归预测案例
相关文章
TF之LSTM/GRU：基于tensorflow框架对boston房价数据集分别利用LSTM、GRU算法(batch_size调优对比)实现房价回归预测案例
TF之LSTM/GRU：基于tensorflow框架对boston房价数据集分别利用LSTM、GRU算法(batch_size调优对比)实现房价回归预测案例实现代码
TF之LSTM：基于tensorflow框架对boston房价数据集利用LSTM算法(随机搜索调参)实现房价回归预测案例
TF之LSTM：基于tensorflow框架对boston房价数据集利用LSTM算法(随机搜索调参)实现房价回归预测案例实现代码
TF之LSTM：基于tensorflow框架对boston房价数据集利用LSTM算法(网格搜索调参)实现房价回归预测案例实现代码
基于tensorflow框架对boston房价数据集利用LSTM算法(随机搜索调参)实现房价回归预测案例
# 1、定义数据集
CRIM ZN INDUS CHAS NOX ... TAX PTRATIO B LSTAT target
0 0.00632 18.0 2.31 0.0 0.538 ... 296.0 15.3 396.90 4.98 24.0
1 0.02731 0.0 7.07 0.0 0.469 ... 242.0 17.8 396.90 9.14 21.6
2 0.02729 0.0 7.07 0.0 0.469 ... 242.0 17.8 392.83 4.03 34.7
3 0.03237 0.0 2.18 0.0 0.458 ... 222.0 18.7 394.63 2.94 33.4
4 0.06905 0.0 2.18 0.0 0.458 ... 222.0 18.7 396.90 5.33 36.2
.. ... ... ... ... ... ... ... ... ... ... ...
501 0.06263 0.0 11.93 0.0 0.573 ... 273.0 21.0 391.99 9.67 22.4
502 0.04527 0.0 11.93 0.0 0.573 ... 273.0 21.0 396.90 9.08 20.6
503 0.06076 0.0 11.93 0.0 0.573 ... 273.0 21.0 396.90 5.64 23.9
504 0.10959 0.0 11.93 0.0 0.573 ... 273.0 21.0 393.45 6.48 22.0
505 0.04741 0.0 11.93 0.0 0.573 ... 273.0 21.0 396.90 7.88 11.9
[506 rows x 14 columns]
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 506 entries, 0 to 505
Data columns (total 14 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 CRIM 506 non-null float64
1 ZN 506 non-null float64
2 INDUS 506 non-null float64
3 CHAS 506 non-null float64
4 NOX 506 non-null float64
5 RM 506 non-null float64
6 AGE 506 non-null float64
7 DIS 506 non-null float64
8 RAD 506 non-null float64
9 TAX 506 non-null float64
10 PTRATIO 506 non-null float64
11 B 506 non-null float64
12 LSTAT 506 non-null float64
13 target 506 non-null float64
dtypes: float64(14)
memory usage: 55.5 KB# 2、数据预处理
# 2.1、分离特征和标签
# 3、模型训练与推理
# 3.1、切分数据集
# 3.2、数据再处理
# 将输入数据重塑为3D张量（样本数、时间步长、特征数）
<class 'numpy.ndarray'> (455, 1, 13) X_train
[[[6.04700e-02 0.00000e+00 2.46000e+00 ... 1.78000e+01 3.87110e+02
1.31500e+01]]
[[6.29760e-01 0.00000e+00 8.14000e+00 ... 2.10000e+01 3.96900e+02
8.26000e+00]]
[[7.99248e+00 0.00000e+00 1.81000e+01 ... 2.02000e+01 3.96900e+02
2.45600e+01]]
...
[[3.51140e-01 0.00000e+00 7.38000e+00 ... 1.96000e+01 3.96900e+02
7.70000e+00]]
[[9.18702e+00 0.00000e+00 1.81000e+01 ... 2.02000e+01 3.96900e+02
2.36000e+01]]
[[4.55587e+00 0.00000e+00 1.81000e+01 ... 2.02000e+01 3.54700e+02
7.12000e+00]]]
# 3.3、建立LSTM模型
# 3.4、模型调参：#输出最佳得分和超参数组合
# 3.4,1、基于LSTM模型的随机搜索
'''
Best score: -21.122341, Best params: {'dropout_rate': 0.0, 'learning_rate': 0.0001, 'num_layers': 1, 'num_units': 143}
Best score: -23.943178, Best params: {'dropout_rate': 0.1, 'learning_rate': 0.0001, 'num_layers': 2, 'num_units': 196}
'''# 3.4,2、基于LSTM模型的网格搜索
更新中……
# 3.5、基于模型最佳参数进行模型验证
# 绘制训练集和测试集的loss曲线
# 模型评估
boston_val_MAE: 3.313431107764151
boston_val_MSE： 31.028591241678967
boston_val_RMSE： 5.570331340385325
boston_val_R2: 0.7286054759011734
# 绘制预测结果
