pytorch——房价预测

1、首先对数据进行读取和预处理 file file 2、读取数据后，对x数据进行标准化处理，以便于后续训练的稳定性，并转换为tensor格式 file 3、接下来设置训练参数和模型这里采用回归模型，既y=x*weight1+bias1，设置的学习率为0.0006，损失函数采用了MSE（均方误差） file 4、绘制图像由于数据量较少，所以将整个训练集作为测试集，观察生成的图像

file

完整代码

import torch
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import torch.optim as optim
import warnings
warnings.filterwarnings("ignore")# In[4]:features = pd.read_csv('房价预测.csv')features# In[26]:year = []
price = []
for i in range(0,12):year.append([features['Year'][i]])price.append([features['Price'][i]])# In[27]:year = np.array(year)
price = np.array(price)
year,price# In[53]:from sklearn import preprocessing# 特征标准化处理
year = preprocessing.StandardScaler().fit_transform(year)
year[0]# In[54]:x = torch.tensor(year,dtype=float)
y = torch.tensor(price,dtype=float)
x,y# In[62]:learning_rate = 0.0001
weights1 = torch.randn((1,1),dtype=float,requires_grad=True)
bias1 = torch.randn(1,dtype=float,requires_grad=True)losses = []for i in range(0, 5000):ans = x.mm(weights1) + bias1#计算损失criterion = torch.nn.MSELoss()  # 使用适当的损失函数loss = criterion(ans, y)losses.append(loss)if i%100==0:print(f'loss={loss},epoch={i},w={weights1}')#反向传播loss.backward()#更新参数weights1.data.add_(-learning_rate*weights1.grad.data)bias1.data.add_(-learning_rate*bias1.grad.data)#清空weights1.grad.data.zero_()bias1.grad.data.zero_()
# 使用 features['Year'] 和 features['Price'] 创建日期和价格的列表
year = features['Year']
price = features['Price']
# 将 ans 转换为 Python 列表
ans_list = ans.tolist()# 提取列表中的每个元素（确保是单个的标量值）
predictions = [item[0] for item in ans_list]# 创建一个表格来存日期和其对应的标签数值
true_data = pd.DataFrame(data={'date': year, 'actual': price})
predictions_data = pd.DataFrame(data={'date': year, 'prediction': predictions})
# 真实值
plt.plot(true_data['date'], true_data['actual'], 'b-', label='actual')# 预测值
plt.plot(predictions_data['date'], predictions_data['prediction'], 'ro', label='prediction')
plt.xticks(rotation='60')
plt.legend()# 图名
plt.xlabel('Date')
plt.ylabel('Price')  # 注意修改为你的标签
plt.title('Actual and Predicted Values')
plt.show()