代碼：計(jì)算機(jī)課程設(shè)計(jì)北京房價預(yù)測數(shù)據(jù)集和代碼實(shí)現(xiàn)-機(jī)器學(xué)習(xí)文檔類資源-CSDN文庫

前言

隨著經(jīng)濟(jì)的不斷發(fā)展和社會資源的集中，人們出現(xiàn)了向大城市集中的趨勢，其中，北京作為我國的首都，吸引人才的能力在中國和世界都具有較強(qiáng)的競爭力。與此同時，每個在北京生活的人都有在北京租房或買房的需求，這使得北京市的房價在近些年顯得水漲船高。

年輕人在北京找到合適的工作后，如何根據(jù)自己的經(jīng)濟(jì)水平和能力在北京的不同區(qū)域選擇適合自己的房子成為了一個凸顯的難題。在互聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)的指引下，傳統(tǒng)的紙筆計(jì)算和實(shí)體中介已經(jīng)無法讓年輕人對北京房價的真實(shí)情況產(chǎn)生清晰直觀的認(rèn)識，對全局的把握不夠完整也可能導(dǎo)致他們做出人生的錯誤決策。因此，本項(xiàng)目從鏈家網(wǎng)的開源資料中提取了若干條北京房價的數(shù)據(jù)，其中包括地段、戶型、建造年份等詳細(xì)信息以及房價指標(biāo)，通過神經(jīng)網(wǎng)絡(luò)算法對這些數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，訓(xùn)練出一個可以根據(jù)這些信息較為準(zhǔn)確預(yù)測北京房價的回歸計(jì)算網(wǎng)絡(luò)，在現(xiàn)實(shí)生活中具有較為廣泛和實(shí)用的應(yīng)用。

神經(jīng)網(wǎng)絡(luò)介紹

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種具有三層或者三層以上的多層反向傳播神經(jīng)網(wǎng)絡(luò)，每一層都由若干個神經(jīng)元組成，它的左、右各層之間各個神經(jīng)元實(shí)現(xiàn)全連接，即左層的每一個神經(jīng)元與右層的每個神經(jīng)元都由連接，而上下各神經(jīng)元之間無連接。BP神經(jīng)網(wǎng)絡(luò)按監(jiān)督學(xué)習(xí)方式進(jìn)行訓(xùn)練，當(dāng)學(xué)習(xí)方式提供給神經(jīng)網(wǎng)絡(luò)后，其神經(jīng)元的激活值將從輸入層經(jīng)各隱含層向輸出層傳播，在輸出層的各神經(jīng)元輸出對應(yīng)于輸入模式的網(wǎng)絡(luò)響應(yīng)。然后，按減少希望輸出與實(shí)際輸出誤差的原則，從輸出層經(jīng)各隱含層，最后回到輸入層（從右到左）逐層修正各連接權(quán)。由于這種修正過程是從輸出到輸入逐層進(jìn)行的，所以稱它為“誤差逆?zhèn)鞑ニ惴ā薄ｋS著這種誤差逆?zhèn)鞑ビ?xùn)練的不斷修正，網(wǎng)絡(luò)對輸入模式響應(yīng)的正確率也將不斷提高。

BP神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)，是信號正向傳播、誤差反向傳播的監(jiān)督學(xué)習(xí)模型，是廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法之一。具體來說，對于只含一個隱層的神經(jīng)網(wǎng)絡(luò)模型，BP神經(jīng)網(wǎng)絡(luò)的過程主要分為兩個階段，第一階段是信號的前向傳播，從輸入層經(jīng)過隱含層，最后到達(dá)輸出層；第二階段是誤差的反向傳播，從輸出層到隱含層，最后到輸入層，依次調(diào)節(jié)隱含層到輸出層的權(quán)重和偏置，輸入層到隱含層的權(quán)重和偏置。

激活函數(shù)(Activation?Function)是BP神經(jīng)網(wǎng)絡(luò)的神經(jīng)元上運(yùn)行的一類函數(shù)，它的作用是將一層神經(jīng)元的輸入映射到輸出。激活函數(shù)對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練的過程尤為重要。神經(jīng)網(wǎng)絡(luò)默認(rèn)每一層的輸入和輸出之間都是線性關(guān)系，但現(xiàn)實(shí)生活中，很多模型中數(shù)據(jù)之間的關(guān)系非常復(fù)雜。運(yùn)用激活函數(shù)可以將非線性的特征引入神經(jīng)網(wǎng)絡(luò)模型，可以使BP神經(jīng)網(wǎng)絡(luò)更好地理解復(fù)雜的現(xiàn)實(shí)數(shù)據(jù)。
?????? Dropout是一種機(jī)器學(xué)習(xí)中常見的技術(shù)，常用于防止神經(jīng)網(wǎng)絡(luò)出現(xiàn)過擬合。在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，每次迭代按照設(shè)定的比例使隱藏層中部分神經(jīng)元失效，使得神經(jīng)網(wǎng)絡(luò)層與層之間的依賴性不會過強(qiáng)，將BP(反向傳播)的修正值更平均地分布在各神經(jīng)元上。

作為一種局部逼近網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任何非線性映射。理論上，通過合理的神經(jīng)網(wǎng)絡(luò)架構(gòu)和權(quán)重，BP神經(jīng)網(wǎng)絡(luò)可以擬合任何形式的非線性連續(xù)函數(shù)。BP算法通過梯度下降法，迭代更新神經(jīng)網(wǎng)絡(luò)中各自變量的權(quán)重，使得神經(jīng)網(wǎng)絡(luò)輸出值和真實(shí)值之間的均方誤差(MSE)達(dá)到最小值。訓(xùn)練過程中，隱含層根據(jù)返回的誤差賦予各個因子權(quán)重值ω[7]。

BP算法的權(quán)重調(diào)節(jié)公式如下：

式中，ω為權(quán)重；E為網(wǎng)絡(luò)總誤差；為學(xué)習(xí)率；為誤差信號；xi為輸入分量；yi為輸出分量；zk為連接權(quán)分量。

?

?

操作步驟

本項(xiàng)目使用TensorFlow框架，將北京房價數(shù)據(jù)集中部分顯著的特征提出來，進(jìn)行標(biāo)準(zhǔn)化操作，以方便神經(jīng)網(wǎng)絡(luò)進(jìn)行較好的學(xué)習(xí)。由于數(shù)據(jù)量較大，為了使得預(yù)測目標(biāo)的示意圖更為直觀，將數(shù)據(jù)集劃分為99.8%的訓(xùn)練集和0.2%的測試集。

神經(jīng)網(wǎng)絡(luò)包括3層。其中，第1層的輸入為14個神經(jīng)元，通過relu激活函數(shù)進(jìn)行映射，輸出32個神經(jīng)元。第二層將這32個神經(jīng)元繼續(xù)進(jìn)行計(jì)算，通過relu輸出32個神經(jīng)元。輸出層有1個維度，代表預(yù)測的房價結(jié)果。

經(jīng)過15個周期的訓(xùn)練，神經(jīng)網(wǎng)絡(luò)有了較好的預(yù)測效果。

總結(jié)

以上是生活随笔為你收集整理的Python 北京房价预测实验报告 深度学习 tensorflow keras的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。