说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。

---

---

 

---

1.项目背景

卷积神经网络，简称为卷积网络，与普通神经网络的区别是它的卷积层内的神经元只覆盖输入特征局部范围的单元，具有稀疏连接（sparse connectivity）和权重共享（weight shared）的特点，而且其中的过滤器可以做到对图像关键特征的抽取。因为这一特点，卷积神经网络在图像识别方面能够给出更好的结果。

本项目通过基于PyTorch实现卷积神经网络回归模型。

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

数据详情如下(部分展示)：

 

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据：

关键代码： 

 

3.2 数据缺失查看

使用Pandas工具的info()方法查看数据信息：

 

从上图可以看到，总共有11个变量，数据中无缺失值，共2000条数据。

关键代码：

3.3 数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。

 

关键代码如下：  

 

4.探索性数据分析

4.1 y变量直方图

用Matplotlib工具的hist()方法绘制直方图：

从上图可以看到，y变量主要集中在-400~400之间。

4.2 相关性分析

 

从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。

5.特征工程

5.1 建立特征数据和标签数据

关键代码如下：

 

5.2 数据集拆分

通过train_test_split()方法按照80%训练集、20%测试集进行划分，关键代码如下：

 

6.构建卷积神经网络回归模型

主要使用CNN回归算法，用于目标回归。

6.1 构建模型

 

6.2 迭代信息 

 

7.模型评估

7.1 评估指标及结果

评估指标主要包括可解释方差值、平均绝对误差、均方误差、R方值等等。

 

从上表可以看出，R方0.9813，为模型效果良好。

关键代码如下：

 

7.2 真实值与预测值对比图

 

从上图可以看出真实值和预测值波动基本一致，模型拟合效果良好。    

8.结论与展望

综上所述，本文基于PyTorch实现卷积神经网络回归模型，最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。

# 定义前向传播方法
def forward(self, x):x = self.pool(F.relu(self.conv1(x)))  # 卷积层、最大池化层x = self.pool(F.relu(self.conv2(x)))  # 卷积层、最大池化层# print('******************************')# print(x.size())x = x.view(-1, 32 * 2)  # 维度变换本次机器学习项目实战所需的资料，项目资源如下：项目说明：
链接：https://pan.baidu.com/s/1dW3S1a6KGdUHK90W-lmA4w 
提取码：bcbp# y变量分布直方图
fig = plt.figure(figsize=(8, 5))  # 设置画布大小
plt.rcParams['font.sans-serif'] = 'SimHei'  # 设置中文显示
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
data_tmp = df['y']  # 过滤出y变量的样本
# 绘制直方图  bins：控制直方图中的区间个数 auto为自动填充个数  color：指定柱子的填充色
plt.hist(data_tmp, bins='auto', color='g')

---

更多项目实战，详见机器学习项目实战合集列表：

机器学习项目实战合集列表_机器学习实战项目_胖哥真不错的博客-CSDN博客

---